UTF-16 分成 2 个字符
UTF-16 split in 2 chars
我一直认为 java 使用 UTF-16 对其字符进行内部编码。它使用 u+xxxx 格式来表示字符代码以及它使用 16 位来存储 char.
的事实证实了这一点。
但有时UTF-16需要2个字节以上那样的话java需要2char来表示1UTF-16 字符.
旁注：这让我想知道说 "java just supports the Unicode character set, and uses 16-bit cells to store characters".
是否更正确
问题：第一个 char 是否提供了一些方法来确定第二个 char 被使用，或者两者属于一起？
是的，UTF-16 是在 Unicode 将 Unicode 1.0 的 65536 个代码点限制扩展到今天的 1114112 个代码点限制时发明的。
这允许它支持整个通用字符集，同时保持与 UCS-2 的兼容性；将所有 Unicode 字符作为双字节单元的过时编码，正是因为它无法在 Unicode 2.0 或更高版本中对所有 Unicode 字符进行编码。
Does the first char offer some method to determine that a second char is used, or that the 2 belong together?
是的，在 UTF-16 中，两个字节的单位是：
- 高代理项，必须始终跟有低代理项。在
0xD800 和 0xDBFF 之间，isHighSurrogate 将 return true.
- 必须始终跟随高代理项的低代理项。在
0xDC00 和 0xDFFF 之间，isLowSurrogate 将 return true.
- 非代理人。
非代理映射直接与一个相同码位的BMP字符。
代理人组合起来代表星界角色：
- 从代码点中减去 0x010000。
- 将前 10 位添加到 0xD800 以获得高代理项。
- 将低 10 位添加到 0xDC00 以获得低代理项。
在 Java 中，您可以通过首先使用代码点检查 int 上的 isBmpCodePoint 来执行此操作。如果这是真的，那么您可以将其转换为 char 以获得对其进行编码的单个 UTF-16 单元。否则，您可以调用 highSurrogate 获取第一个 char 并调用 lowSurrogate 获取第二个。
和 isBmpCodePoint 一样，您可以使用 charCount，其中 returns 1 用于 BMP 字符，2 如果您需要代理。如果您要创建 1 或 2 个字符的数组来保存值，这将很有用。
由于永远不会为代理代码点分配字符，这意味着编码对于整个通用字符集都是明确的。
它也是自我纠正的，可以隔离流中的错误，而不是导致所有其他字符被误读。例如。如果我们找到一个孤立的低代理项，我们知道该位是错误的，但仍然可以读取流的其余部分。
一些完整的示例，但我在 Java 中不太热（另一方面，我很了解 Unicode，这就是我用来回答这个问题的知识），所以如果有人发现 n00b Java 错误，但认为我的 Unicode 知识部分正确，请继续并相应地编辑此 post：
"" 是一个带有单个 Unicode 字符的字符串，U+10300 是旧斜体字母表中的一个字母。在大多数情况下，这些半开玩笑地称为 "Astral Planes" 的字符相对晦涩，因为 Unicode 联盟试图在不超出更易于使用的 BMP（基本多语言平面；基本多语言平面； U+0000 到 U+FFFF，尽管有时列为“U+0000 到 U+FFFD，因为 U+FFFE 和 U+FFFF 都是非字符，不应该大多数情况下使用）。
（如果你正在试验这个，那么直接使用 </code> 的那些将取决于你的文本编辑器处理它的能力）。</p>
<p>如果你检查 <code>"".length 你会得到 2 因为 length 给你的是 UTF-16 编码单元的数量，而不是字符的数量。
new StringBuilder().appendCodePoint(0x10300).toString() == "" 应该 return true.
Character.charCount(0x10300) 将 return 2 因为我们需要两个 UTF-16 char 来编码它。 Character.isBmpCodePoint(0x10300) 将 return false.
Character.codePointAt("", 0) 将 return 66304 即 0x10300，因为当它看到高代理时，它包括在计算中读取以下低代理。
Character.highSurrogate(0x10300) == 0xD800 && Character.lowSurrogate(0x10300) == 0xDF00 是正确的，因为这些是应该将字符拆分成以 UTF-16 编码的高位和低位代理项。
同样 "".charAt(0) == 0xD800 && "".charAt(1) == 0xDF00 因为 charAt 处理 UTF-16 单位，而不是 Unicode 字符。
出于同样的原因 "" == "\uD800\uDF00" 对两个代理项使用转义符。
我一直认为 java 使用 UTF-16 对其字符进行内部编码。它使用 u+xxxx 格式来表示字符代码以及它使用 16 位来存储 char.
但有时UTF-16需要2个字节以上那样的话java需要2char来表示1UTF-16 字符.
旁注：这让我想知道说 "java just supports the Unicode character set, and uses 16-bit cells to store characters".
是否更正确问题：第一个 char 是否提供了一些方法来确定第二个 char 被使用，或者两者属于一起？
是的，UTF-16 是在 Unicode 将 Unicode 1.0 的 65536 个代码点限制扩展到今天的 1114112 个代码点限制时发明的。
这允许它支持整个通用字符集，同时保持与 UCS-2 的兼容性；将所有 Unicode 字符作为双字节单元的过时编码，正是因为它无法在 Unicode 2.0 或更高版本中对所有 Unicode 字符进行编码。
Does the first char offer some method to determine that a second char is used, or that the 2 belong together?
是的，在 UTF-16 中，两个字节的单位是：
- 高代理项，必须始终跟有低代理项。在
0xD800和0xDBFF之间，isHighSurrogate将 returntrue. - 必须始终跟随高代理项的低代理项。在
0xDC00和0xDFFF之间，isLowSurrogate将 returntrue. - 非代理人。
非代理映射直接与一个相同码位的BMP字符。
代理人组合起来代表星界角色：
- 从代码点中减去 0x010000。
- 将前 10 位添加到 0xD800 以获得高代理项。
- 将低 10 位添加到 0xDC00 以获得低代理项。
在 Java 中，您可以通过首先使用代码点检查 int 上的 isBmpCodePoint 来执行此操作。如果这是真的，那么您可以将其转换为 char 以获得对其进行编码的单个 UTF-16 单元。否则，您可以调用 highSurrogate 获取第一个 char 并调用 lowSurrogate 获取第二个。
和 isBmpCodePoint 一样，您可以使用 charCount，其中 returns 1 用于 BMP 字符，2 如果您需要代理。如果您要创建 1 或 2 个字符的数组来保存值，这将很有用。
由于永远不会为代理代码点分配字符，这意味着编码对于整个通用字符集都是明确的。
它也是自我纠正的，可以隔离流中的错误，而不是导致所有其他字符被误读。例如。如果我们找到一个孤立的低代理项，我们知道该位是错误的，但仍然可以读取流的其余部分。
一些完整的示例，但我在 Java 中不太热（另一方面，我很了解 Unicode，这就是我用来回答这个问题的知识），所以如果有人发现 n00b Java 错误，但认为我的 Unicode 知识部分正确，请继续并相应地编辑此 post：
"" 是一个带有单个 Unicode 字符的字符串，U+10300 是旧斜体字母表中的一个字母。在大多数情况下，这些半开玩笑地称为 "Astral Planes" 的字符相对晦涩，因为 Unicode 联盟试图在不超出更易于使用的 BMP（基本多语言平面；基本多语言平面； U+0000 到 U+FFFF，尽管有时列为“U+0000 到 U+FFFD，因为 U+FFFE 和 U+FFFF 都是非字符，不应该大多数情况下使用）。
（如果你正在试验这个，那么直接使用 </code> 的那些将取决于你的文本编辑器处理它的能力）。</p>
<p>如果你检查 <code>"".length 你会得到 2 因为 length 给你的是 UTF-16 编码单元的数量，而不是字符的数量。
new StringBuilder().appendCodePoint(0x10300).toString() == "" 应该 return true.
Character.charCount(0x10300) 将 return 2 因为我们需要两个 UTF-16 char 来编码它。 Character.isBmpCodePoint(0x10300) 将 return false.
Character.codePointAt("", 0) 将 return 66304 即 0x10300，因为当它看到高代理时，它包括在计算中读取以下低代理。
Character.highSurrogate(0x10300) == 0xD800 && Character.lowSurrogate(0x10300) == 0xDF00 是正确的，因为这些是应该将字符拆分成以 UTF-16 编码的高位和低位代理项。
同样 "".charAt(0) == 0xD800 && "".charAt(1) == 0xDF00 因为 charAt 处理 UTF-16 单位，而不是 Unicode 字符。
出于同样的原因 "" == "\uD800\uDF00" 对两个代理项使用转义符。