如何使用代理对构造字符串

Question

根据https://docs.oracle.com/javase/8/docs/api/java/lang/Character.html，我正在尝试通过使用高代理范围 (\uD800-\uDBFF) 或低代理范围内的代码点来构造一个字符。 代码示例是

      for (int cp = Character.MIN_SURROGATE; cp <= Character.MAX_SURROGATE; cp++) {
            char c = (char) cp;
            if (Character.isHighSurrogate(c)) {
                char low = Character.lowSurrogate(cp);
                System.out.println(Character.isSurrogatePair(c, low));
            } else if (Character.isLowSurrogate(c)) {
                char high = Character.highSurrogate(cp);
                System.out.println(Character.isSurrogatePair(high, c));
            }
        }

让我困惑的是，所有高代理字符都可以通过调用Character.lowSurrogate和Character.isSurrogatePair(c, low)找到对应的低代理对总是正确的，但低代理char找不到对应的高代理对和Character.highSurrogat总是返回与代码点 55287 相同的字符。

知道如何在给定低代理字符的情况下构造一个有效字符吗？

Answer 1

您对什么是代理以及它们如何协同工作存在根本性的误解。我建议你阅读how UTF-16 actually works。

Character.is(High|Low)Surrogate() 将 UTF-16 代码单元 作为输入。如果结果是true，则在相同的数值 上调用Character.(high|low)Surrogate() 不会像您认为的那样做。您无法找到从高代理中找到低代理，反之亦然。任何高代理都可以与许多不同的低代理组合（即D800 DC00、D800 DC01、D800 DC02、...），反之亦然，任何低代理都可以与许多不同的高代理组合（即@987654331 @, D801 DC00, D802 DC00, ...)，生成不同的 Unicode 代码点。

Character.(high|low)Surrogate() 将 Unicode 代码点 作为输入，并分别返回以 UTF-16 编码该代码点所需的高/低代理。

您正在枚举 codeunits 并将它们 视为 它们是 codepoints，它们不是（codepoints 在 UTF-16 代理项 范围内是保留的，因此在任何上下文中都无效）。 IOW，你是在混合苹果和橘子，所以结果当然不是你所期望的。

让我们在上下文中更深入地了解您的代码示例。让我们看看循环处理的两个极端，Character.MIN_SURROGATE ('\uD800') 和 Character.MAX_SURROGATE ('\uDFFF')。两者之间的所有其他值也是如此：

• isHighSurrogate((char)0xD800) 返回 true 和 Character.isLowSurrogate((char)0xD800) 返回 false，因为 codeunit D800 在 high 代理代码单位的范围内 (D800..DBFF )。

• isHighSurrogate((char)0xDFFF) 返回 false 和 Character.isLowSurrogate((char)0xDFFF) 返回 true，因为 codeunit DFFF 在 low 代理代码单位的范围内 (DC00..DFFF )。

• Character.lowSurrogate((int)0xD800) 和 Character.highSurrogate((int)0xDFFF) 都返回 unspecified char 值，因为 0xD800 和 0xDFFF 在 @ 范围内不是有效的“补充字符”（Unicode 代码点） 987654356@（U+10000..U+10FFFF），即Character.isSupplementaryCodePoint()返回false。根据 Java 的文档：

lowSurrogate()

返回以 UTF-16 编码表示指定补充字符（Unicode 代码点）的代理对的尾随代理（低代理代码单元）。 如果指定字符不是补充字符，则返回未指定的char。

highSurrogate()

返回以 UTF-16 编码表示指定补充字符（Unicode 代码点）的代理项对的前导代理项（高代理项代码单元）。 如果指定字符不是补充字符，则返回未指定的char。

isSupplementaryCodePoint()

判断指定字符（Unicode码位）是否在补充字符范围内。

...

返回：
如果指定的代码点介于 MIN_SUPPLEMENTARY_CODE_POINT 和 MAX_CODE_POINT 之间，则为 true；否则为假。

所以，一般来说，如果Character.isHighSurrogate() 返回true，则相同数值的Character.lowSurrogate() 是未定义。如果Character.isLowSurrogate() 返回true，则Character.highSurrogate() 对于相同的数值 是未定义。

因此，您声称“所有高代理项字符都可以通过调用 Character.lowSurrogate 找到相应的低代理项对”和“Character.isSurrogatePair(c, low) 始终为真”都错了。

您声称“低代理字符无法找到相应的高代理对”是正确的，但您声称“Character.highSurrogate 始终返回与代码点相同的字符55287”是错误的。

最后，关于您的实际问题：

知道如何在给定低代理字符的情况下构造一个有效字符吗？

您不能仅从高或低代理项构建 Unicode 代码点。正是高+低代理共同作用的组合定义了一个特定的代码点。你需要两个代理人。如果您只有 1 个代理，那么您没有足够的位来重新构建代码点。期间。