Java Character源码剖析

Character类除了封装了一个char外，还封装了Unicode字符级别的各种操作，是Java文本处理的基础。下面结合源码分析Character的贡献。

Unicode

也许你没听过Unicode，但应该见过UTF-8。UTF-8（8-bit Unicode Transformation Format）是一种常用的Unicode字符编码方案之一。它使用变长编码方式，将Unicode码点编码成1至4个字节的序列。UTF-8编码保证了对ASCII字符的向后兼容性，因此在处理纯英文文本时，其存储效率与ASCII编码相同。

而Unicode是一种字符编码标准，它为世界上几乎所有的字符分配了一个唯一的数字标识符。它旨在为文字的表示提供一种统一的方式，使得不同国家和语言的字符都能被正确地编码和解码。

在字符编码中，有两个重要的概念：代码点（code point）和代码单元（code unit）。

代码点是Unicode标准中给每个字符分配的唯一整数值。它对应于一个字符的抽象概念，表示文本中的一个字符。Unicode的代码点范围从U+0000到U+10FFFF。每个代码点都有一个唯一的编号，可以用十六进制形式表示，例如U+0041表示字符'A'。

代码单元是计算机中存储和处理字符时使用的最小单位。在Unicode中，代码单元的大小可以是8位（1个字节）或16位（2个字节）。在Java中，字符是使用Unicode编码表示的。Java的char类型是16位无符号整数（即UTF-16） ，用于表示一个Unicode字符。因此，Java中的字符串实际上是由一系列Unicode字符组成的。

然而，Unicode中的某些字符需要用多个代码单元来表示，这种情况下被称为代理对（surrogate pair）。代理对由一个高位代理项（High Surrogate，范围U+D800至U+DBFF）和一个低位代理项（Low Surrogate，范围U+DC00至U+DFFF）组成，它们一起表示一个字符。通过组合高位和低位代理项可以得到完整的代码点。

比如 ☺️ 的码点U+1F60A可以通过代理对的方式表示：

1. 计算出该码点在辅助平面中的偏移量：U+1F60A - U+10000 = 0xF60A
2. 将偏移量拆分为高位和低位代理项：
   • 高位代理项：0xD83D (U+D800 + 0xF60A >> 10)
   • 低位代理项：0xDE0A (U+DC00 + 0xF60A & 0x3FF)
3. 使用这两个代理项来构成代理对，从而表示 ☺️。

int codePoint = 0x1F60A;
char[] surrogatePair = Character.toChars(codePoint);
System.out.println("UTF-16 编码: " + new String(surrogatePair));

检查代码点和字符

Character类中有很多相关静态方法，以下是对code point和char的检查

//判断一个int是不是一个有效的代码点，小于等于0x10FFFF的为有效，大于的为无效
public static boolean isValidCodePoint(int codePoint)
//判断一个int是不是BMP字符，小于等于OxFFFF的为BMP字符，大于的不是
public static boolean isBmpCodePoint(int codePoint)
//判断一个int是不是增补字符，0x010000~0X10FFFF为增补字符
public static boolean isSupplementaryCodePoint(int codePoint)
//判断char是否是高代理项，0xD800~0xDBFF为高代理项
public static boolean isHighSurrogate(char ch)
//判断char是否为低代理项，0xDC00～0xDFFF为低代理项
public static boolean isLowSurrogate(char ch)
//判断char是否为代理项，char为低代理项或高代理项，则返回true
public static boolean isSurrogate(char ch)
//判断两个字符high和low是否分别为高代理项和低代理项
public static boolean isSurrogatePair(char high, char low)
//判断一个代码点由几个char组成，增补字符返回2，BMP字符返回1
public static int charCount(int codePoint)

代码点和字符的互转

之前仅针对int和char之间的转换相信大家都很熟悉，就是参照ASCII码

从代码点到字符的转换：

int codePoint = 65; // 代码点（Unicode码点）
char c = (char) codePoint; // 将代码点转换为字符
System.out.println(c); // 输出字符 'A'

从字符到代码点的转换：

char c = 'A'; // 字符
int codePoint = c; // 将字符转换为代码点（Unicode码点）
System.out.println(codePoint); // 输出代码点 65

而有了低代理项和高代理项后，需要用复杂的公式转换。这个公式的基本思想是将高代理项和低代理项分别减去一个偏移量（0xD800和0xDC00），然后将它们组合起来生成代码点。

public static int toCodePoint(char high, char low) {
    return ((high - 0xD800) << 10) + (low - 0xDC00) + 0x10000;
}

下面是其他的处理函数

//根据高代理项high和低代理项1ow生成代码点，这个转换有个公式，这个方法封装了这个公式
public static int toCodePoint(char high, char low)
//根据代码点生成char数组，即UTF-16表示，如果code point为BMP字符，则返回的char
//数组长度为1，如果为增补字符，长度为2，char[0]为高代理项，char[1]为低代理项
public static char[] toChars(int codePoint)
//将代码点转换为char数组，与上面方法类似，只是结果存入指定数组dst的指定位置index
public static int toChars(int codePoint, char[] dst, int dstIndex)
//对增补字符code point,生成低代理项
public static char lowSurrogate(int codePoint)
//对增补字符code point，生成高代理项
public static char highSurrogate(int codePoint)

Unicode字符属性

Unicode在给每个字符分配一个编号之外，还分配了一些属性Unicode给每个字符分配了一个类型，这个类型是非常重要的，很多其他检查和操作都是基于这个类型的。getType方法的参数可以是int类型的code point,也可以是char类型。char类型只能处理BMP字符，而int类型可以处理所有字符。Character类中很多方法都是既可以接受int类型，也可以接受char类型。

//获取字符类型
public static int getType(int codePoint)
public static int getType(char ch)

根据这个类型属性，可以获得字符的信息

//检查字符是否在Unicode中被定义：
public static boolean isDefined(int codePoint)
//检查是否为字母:
public static boolean isLetter(int codePoint)
//检查是否为字母或数字：
public static boolean isLetterOrDigit(int codePoint)
//检查是否为字母（Alphabetic）:
public static boolean isAlphabetic(int codePoint)
//检查是否为空格字符：
public static boolean isSpaceChar(int codePoint)
//匹配实际产生空格效果的字符，如Tab控制键't'。更常用的检查空格的方法：
public static boolean isWhitespace(int codePoint)
//检查是否为小写字符：
public static boolean isLowerCase(int codePoint)
//检查是否为大写字符：
public static boolean isUpperCase(int codePoint)