字符串到字符数组在 Visual Studio 和 Android Studio 中返回不同的结果

Question

我要转换为字符数组的字符串是ষ্টোর，它是Unicode和孟加拉语单词。

问题是当我在 Visual Studio 中转换它时，它返回 6 个字符，但是当我在 Android Studio 中转换它时然后显示 5 个字符。

在 VS 我使用 char[] arrayOfChars = someString.ToCharArray(); 和 Android Studio char[] arrayOfChars = someString.toCharArray();

N:B：我的 Android Studio IDE 和项目编码是 UTF-8。我期待与 Android Studio 中的 Visual Studio 相同的结果。

Answer 1

这两个数组是unicode equivalent，但用不同的规范化形式表示。似乎正在发生的事情是 Java ToCharArray（或字符串表示）正在使用一种规范化形式，而 C# ToCharArray（或字符串表示）正在使用另一种。

This page 包含孟加拉语文本的不同规范化形式的图表 - 第四行准确地描述了您所看到的内容：

我现在才知道这一点，但在我看来，这样做的动机是为了让 unicode 实现尽可能与预先存在的编码保持兼容。

例如，一种预先存在的编码可能使用了单个 unicode 字符，而另一种预先存在的编码可能反而使用了两个字符的组合。因此，unicode 人员确定的解决方案是同时支持两者，但代价是没有一个“规范”表示，正如您在此处遇到的那样。

如果您希望您的 Java 数组在您的 C# 数组似乎正在使用的“D”规范化形式下进行规范化，那么 this page 似乎提供了这样的功能。您可能正在寻找类似的东西：

someString = Normalizer.normalize(someString, Normalizer.Form.NFD);

Unicode standard annex 15是描述这些规范化形式的官方文档。

Answer 2

您输入的字符串一定是不同的。

文本 ষ্টোর 是 Unicode 代码点 09B7 09CD 099F 09CB 09B0，即 2487 2509 2463 2507 2480，如 C# 所示。

Java显示的值，即2487 2509 2463 2503 2494 2480，第4个字符2507/09CB作为2503 2494/09C7 09BE这两个字符。

查找它们，它们是：

ো ↔ 'BENGALI VOWEL SIGN O' (U+09CB)

对比

ে ↔ 'BENGALI VOWEL SIGN E' (U+09C7)
া ↔ 'BENGALI VOWEL SIGN AA' (U+09BE)

结合起来就是同一件事：

ষ্টোর ↔ 09B7 09CD 099F 09CB 09B0
ষ্টোর ↔ 09B7 09CD 099F 09C7 09BE 09B0

他们是combining characters，并且有不同的方式来组合字符以获得相同的结果。