【问题标题】：Filtering characters missing from the user’s font in Java在 Java 中过滤用户字体中缺少的字符
【发布时间】：2012-03-01 22:05:44
【问题描述】：

我想用 Java 构建一个稍微简单的表（作为练习）来检查最终用户字体中是否存在合法的可打印 Unicode 代码点。因为某些字体无法打印有效的代码点，我必须知道用户的字体缺少哪些可打印的代码点，因此无法打印。

例如，如果字体仅支持拉丁字符，我无法使用它打印希腊字符，更不用说日文字符了。 Unicode 说它们都是可打印的，但用户的字体可能不够好。

经过一些研究，我已经能够在 Eclipse 中打印大部分字符（通过调整编码）。但是，我的输出中仍然有一堆未知/不可打印的字符，因为当我查看输出时，我会看到所有这些空矩形用于我的一些可打印字符。

我已尝试过滤它们，但找不到任何方法。仅供参考，我基本上只是将字符的值设置为 50、100 或 1000，然后通过for 循环从那里增加它以检查我可以或不能（或不应该）打印哪些字符。

谁能给我一些关于从哪里开始的提示？

【问题讨论】：

从这个问题的答案开始：stackoverflow.com/questions/220547/printable-char-in-java
定义“不可打印”。您是指不应该有任何可见渲染的字符（控制字符），还是指在所使用的字体中缺少字形的字符？还要定义“性格”。您是指分配给字符的代码单元、代码点还是代码点？（“Java 字符”，例如代码单元。）
@JukkaK.Korpela 比这更糟。有时，单个用户可见字符（读取，grapheme 或 Unicode 用语中的 extended grapheme cluster）包含多个代码点，例如在组合标记和其他 Grapheme_Extend 代码时涉及点数。
Java GUI: can I find out if certain Unicode characters are supported?的可能重复

标签： java unicode fonts filter non-printable

【解决方案1】：

您的任务实际上比编码复杂一点，因为您尝试打印的字体会对输出产生很大影响。 IE。并非所有字体都支持相同的字符集。其实支持字符范围differs wildly from font to font。

也就是说，您的问题现在变成了：如何检测某种字体是否支持给定字符？还有that question has been asked and answered...See here for the Java doc of the canDisplay 函数，它是the Font class 的成员。

【讨论】：

【解决方案2】：

目前尚不清楚您在这里的实际和确切含义。如果您打算按数字玩，那么Annex C of Unicode Technical Standard #18 on Unicode Regular Expressions 给出了具体建议，即“可打印”代码点定义为具有print 属性的任何代码点，其中该属性被定义为

\p{print} 表示 [[\p{graph}\p{blank}]&&[^\p{gc=Control}]]
\p{graph} 表示 [^\p{Whitespace}\p{gc=Control}\p{gc=Surrogate}\p{gc=Unassigned}]
\p{blank} 表示 [\p{Whitespace}&&[^\N{LF}\N{VT}\N{FF}\N{CR}\N{NEL}\p{gc=Line_Separator}\{gc=Paragraph_Separator}]

或者，as the Java 1.7 Pattern class documents these，前提是您编译模式时启用了the new-to-Java7 Pattern.UNICODE_CHARACTER_CLASS 标志：

\p{Graph}可见字符：[^\p{IsWhite_Space}\p{gc=Cc}\p{gc=Cs}\p{gc=Cn}]
\p{Print} 可打印字符：[\p{Graph}\p{Blank}&&[^\p{Cntrl}]]
\p{Blank} 空格或制表符：[\p{IsWhite_Space}&&[^\p{gc=Zl}\p{gc=Zp}\x0a\x0b\x0c\x0d * \x85]]
\p{Cntrl}一个控制字符：\p{gc=Cc}
\p{XDigit} 十六进制数字：[\p{gc=Nd}\p{IsHex_Digit}]
\p{Space} 空格字符：\p{IsWhite_Space}

关于“可打印”字符

如果你只是使用一些合理的东西，比如 Java 的 (?U)\p{print} 模式属性（或 Character 类的等价物），那么你仍然需要做出一些“有趣”的决定。

考虑以下每个代码点：

U+000007 gc=Cc columns=0 print=0 graph=0  ALERT
U+000008 gc=Cc columns=0 print=0 graph=0  BACKSPACE
U+000009 gc=Cc columns=0 print=0 graph=0  CHARACTER TABULATION
U+00000C gc=Cc columns=0 print=0 graph=0  FORM FEED (FF)
U+00000D gc=Cc columns=0 print=0 graph=0  CARRIAGE RETURN (CR)
U+000020 gc=Zs columns=1 print=1 graph=0  SPACE
U+000021 gc=Po columns=1 print=1 graph=1  EXCLAMATION MARK
U+000041 gc=Lu columns=1 print=1 graph=1  LATIN CAPITAL LETTER A
U+000061 gc=Ll columns=1 print=1 graph=1  LATIN SMALL LETTER A
U+000080 gc=Cc columns=0 print=0 graph=0  PADDING CHARACTER
U+000085 gc=Cc columns=0 print=0 graph=0  NEXT LINE (NEL)
U+00008D gc=Cc columns=0 print=0 graph=0  REVERSE LINE FEED
U+0000AB gc=Pi columns=1 print=1 graph=1  LEFT-POINTING DOUBLE ANGLE QUOTATION MARK
U+0000AD gc=Cf columns=0 print=1 graph=1  SOFT HYPHEN
U+0002B0 gc=Lm columns=1 print=1 graph=1  MODIFIER LETTER SMALL H
U+0002C6 gc=Lm columns=1 print=1 graph=1  MODIFIER LETTER CIRCUMFLEX ACCENT
U+000302 gc=Mn columns=0 print=1 graph=1  COMBINING CIRCUMFLEX ACCENT
U+00036A gc=Mn columns=0 print=1 graph=1  COMBINING LATIN SMALL LETTER H
U+001100 gc=Lo columns=2 print=1 graph=1  HANGUL CHOSEONG KIYEOK
U+002028 gc=Zl columns=0 print=0 graph=0  LINE SEPARATOR
U+002029 gc=Zp columns=0 print=0 graph=0  PARAGRAPH SEPARATOR
U+00202B gc=Cf columns=0 print=1 graph=1  RIGHT-TO-LEFT EMBEDDING
U+00202F gc=Zs columns=1 print=1 graph=0  NARROW NO-BREAK SPACE
U+002060 gc=Cf columns=0 print=1 graph=1  WORD JOINER
U+002061 gc=Cf columns=0 print=1 graph=1  FUNCTION APPLICATION
U+002062 gc=Cf columns=0 print=1 graph=1  INVISIBLE TIMES
U+002064 gc=Cf columns=0 print=1 graph=1  INVISIBLE PLUS
U+002EC1 gc=So columns=2 print=1 graph=1  CJK RADICAL TIGER
U+002F0B gc=So columns=2 print=1 graph=1  KANGXI RADICAL EIGHT
U+003000 gc=Zs columns=2 print=1 graph=0  IDEOGRAPHIC SPACE
U+003008 gc=Ps columns=2 print=1 graph=1  LEFT ANGLE BRACKET
U+00300A gc=Ps columns=2 print=1 graph=1  LEFT DOUBLE ANGLE BRACKET
U+00300C gc=Ps columns=2 print=1 graph=1  LEFT CORNER BRACKET
U+00302B gc=Mn columns=0 print=1 graph=1  IDEOGRAPHIC RISING TONE MARK
U+003030 gc=Pd columns=2 print=1 graph=1  WAVY DASH
U+003037 gc=So columns=2 print=1 graph=1  IDEOGRAPHIC TELEGRAPH LINE FEED SEPARATOR SYMBOL
U+003041 gc=Lo columns=2 print=1 graph=1  HIRAGANA LETTER SMALL A
U+00E000 gc=Co columns=1 print=1 graph=1 <unnamed codepoint in blk=Private_Use_Area>
U+00F8FF gc=Co columns=1 print=1 graph=1 <unnamed codepoint in blk=Private_Use_Area>
U+00FB1E gc=Mn columns=0 print=1 graph=1  HEBREW POINT JUDEO-SPANISH VARIKA
U+00FE00 gc=Mn columns=0 print=1 graph=1  VARIATION SELECTOR-1
U+00FE23 gc=Mn columns=0 print=1 graph=1  COMBINING DOUBLE TILDE RIGHT HALF
U+00FE58 gc=Pd columns=2 print=1 graph=1  SMALL EM DASH
U+00FE77 gc=Lo columns=1 print=1 graph=1  ARABIC FATHA MEDIAL FORM
U+00FEFF gc=Cf columns=0 print=1 graph=1  ZERO WIDTH NO-BREAK SPACE
U+00FF06 gc=Po columns=2 print=1 graph=1  FULLWIDTH AMPERSAND
U+00FFFA gc=Cf columns=0 print=1 graph=1  INTERLINEAR ANNOTATION SEPARATOR
U+00FFFD gc=So columns=1 print=1 graph=1  REPLACEMENT CHARACTER
U+01B000 gc=Lo columns=2 print=1 graph=1  KATAKANA LETTER ARCHAIC E
U+01D165 gc=Mc columns=1 print=1 graph=1  MUSICAL SYMBOL COMBINING STEM
U+01D167 gc=Mn columns=0 print=1 graph=1  MUSICAL SYMBOL COMBINING TREMOLO-1
U+100002 gc=Co columns=1 print=1 graph=1 <unnamed codepoint in blk=Supplementary_Private_Use_Area-B>

它们中的一些对于它们打印什么，甚至是否打印是非常有条件的。例如，你觉得 U+F8FF 的‹›是什么样的？

然后您必须决定如何处理制表符和退格键。

此外，您还必须考虑用于构建 Unicode 扩展字形簇的各种 \p{Grapheme_Extend} 代码点；也就是说，用户可见的字符。并非所有这些都是非间距标记。事实上，有些根本不是标记，而是字母！有些根本不是可打印的字符，但它们改变了它们不可避免地附加到的可打印的\p{Grapheme_Base} 字符；以变体选择器为例。

警告

这将我们带到了一个非常重要的点，它经常被潜在的 Java 程序员忘记，即使没有完全忘记，通常也被低估了。

永远、永远、永远记住 Java 字符不是 Unicode 字符！ Unicode 字符有两种合理的定义，而 Java 两者都没有。以下是两个合理的定义：

如果一个字符是 programmer-visible 意义上的字符，那么一个字符就是一个 Unicode 代码点。这就是 . 在正则表达式引擎中匹配的内容，例如，无论您使用 Sun 的还是 ICU 的。
如果字符是 用户可见 意义上的字符，那么字符就是 Unicode 扩展字素簇。这是 \X 在（ICU 而非 Sun）正则表达式引擎中匹配的内容。

Java 所谓的“字符”是实际 Unicode 代码点的可变宽度 UTF-16 表示的低级、打破抽象的 2 字节元素。它既不是抽象代码点，也不是抽象字素。它不是抽象的任何东西。 Java char 违反了抽象的信封。

是的，一些 Java 类为您提供了codePointAt 接口，您绝对应该在任何可用的地方使用它们。但是在许多方面，这里需要很长时间来解释，Java 从根本上破坏了它的字符抽象——因为它没有字符抽象。

这使得在 Java 中使用 Unicode 字符和字符串最容易出错，而且通常几乎是不可能的。

祝你好运。

【讨论】：