如何生成包含增补字符的随机 Unicode 字符串？

Question

我正在编写一些用于生成随机字符串的代码。生成的字符串似乎包含无效的 char 组合。具体来说，我找到了没有跟随低代理人的高代理人。

谁能解释为什么会这样？我是否必须显式生成随机低代理来跟随高代理？我以为这不需要，因为我使用的是 Character class.

的 int 变体

这是测试代码，最近运行产生了以下错误配对：

配对错误：d928 - d863
配对错误：da02 - 7bb6
配对错误：dbbc - d85c
配对错误：dbc6 - d85c

public static void main(String[] args) {
  Random r = new Random();
  StringBuilder builder = new StringBuilder();

  int count = 500;
  while (count > 0) {
    int codePoint = r.nextInt(Character.MAX_CODE_POINT + 1);

    if (!Character.isDefined(codePoint)
        || Character.getType(codePoint) == Character.PRIVATE_USE) {
      continue;
    }

    builder.appendCodePoint(codePoint);
    count--;
  }

  String result = builder.toString();

  // Test the result
  char lastChar = 0;
  for (int i = 0; i < result.length(); i++) {
    char c = result.charAt(i);
    if (Character.isHighSurrogate(lastChar) && !Character.isLowSurrogate(c)) {
      System.out.println(String.format("Bad pairing: %s - %s",
          Integer.toHexString(lastChar), Integer.toHexString(c)));
    }
    lastChar = c;
  }
}

Answer 1

可以随机生成高或低代理项。如果这导致低代理项，或者高代理项后面没有跟随低代理项，则结果字符串无效。解决方案是简单地排除所有代理人：

if (!Character.isDefined(codePoint)
    || (codePoint <= Character.MAX_CHAR && Character.isSurrogate((char)codePoint))
    || Character.getType(codePoint) == Character.PRIVATE_USE) {
  continue;
}

或者，它应该只查看从 getType 返回的类型：

int type = Character.getType(codePoint);
if (type == Character.PRIVATE_USE ||
    type == Character.SURROGATE ||
    type == Character.UNASSIGNED)
    continue;

（从技术上讲，您还可以允许随机生成高代理项并添加另一个随机低代理项，但这只会创建其他随机代码点 >= 0x10000，这可能又是未定义的或供私人使用。）

Answer 2

您需要排除所有代孕孤儿（即高代孕和低代孕）。

仅供参考，UnicodeData.txt 的下一段摘录显示了代理项的代码点间隔：

D800;<Non Private Use High Surrogate, First>;Cs;0;L;;;;;N;;;;;
DB7F;<Non Private Use High Surrogate, Last>;Cs;0;L;;;;;N;;;;;
DB80;<Private Use High Surrogate, First>;Cs;0;L;;;;;N;;;;;
DBFF;<Private Use High Surrogate, Last>;Cs;0;L;;;;;N;;;;;
DC00;<Low Surrogate, First>;Cs;0;L;;;;;N;;;;;
DFFF;<Low Surrogate, Last>;Cs;0;L;;;;;N;;;;;

如何生成包含增补字符的随机 Unicode 字符串？

How to generate a random Unicode string including supplementary characters?

java

unicode

surrogate-pairs