关于字符串：如何删除Java中的代理字符？


How to remove surrogate characters in Java?

我正面临这样一种情况：我在保存到MySQL5.1的文本中获取代理角色。由于UTF 16不支持这一点，所以我想在保存到数据库之前，用Java方法手动删除这些代理对。

我现在已经写了下面的方法，我很好奇是否有一个直接和最佳的方法来处理这个问题。

事先谢谢你的帮助。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
public static String removeSurrogates(String query) {
    StringBuffer sb = new StringBuffer();
    for (int i = 0; i < query.length() - 1; i++) {
        char firstChar = query.charAt(i);
        char nextChar = query.charAt(i+1);
        if (Character.isSurrogatePair(firstChar, nextChar) == false) {
            sb.append(firstChar);
        } else {
            i++;
        }
    }
    if (Character.isHighSurrogate(query.charAt(query.length() - 1)) == false
            && Character.isLowSurrogate(query.charAt(query.length() - 1)) == false) {
        sb.append(query.charAt(query.length() - 1));
    }

    return sb.toString();
}
相关讨论

以下是一些事情：

  • Character.isSurrogate(char c)：


    A char value is a surrogate code unit if and only if it is either a low-surrogate code unit or a high-surrogate code unit.

  • 检查配对似乎毫无意义，为什么不直接删除所有代理呢？

  • x == false相当于!x。

  • 在不需要同步的情况下(像一个永远不会离开本地范围的变量)，StringBuilder更好。

我建议：

1
2
3
4
5
6
7
8
9
10
11
public static String removeSurrogates(String query) {
    StringBuilder sb = new StringBuilder();
    for (int i = 0; i < query.length(); i++) {
        char c = query.charAt(i);
        // !isSurrogate(c) in Java 7
        if (!(Character.isHighSurrogate(c) || Character.isLowSurrogate(c))) {
            sb.append(firstChar);
        }
    }
    return sb.toString();
}

分解if报表

你问过这个声明：

1
2
3
if (!(Character.isHighSurrogate(c) || Character.isLowSurrogate(c))) {
    sb.append(firstChar);
}

理解它的一种方法是将每个操作分解成它自己的函数，这样您就可以看到组合执行您所期望的操作：

1
2
3
4
5
6
7
8
9
10
11
12
13
static boolean isSurrogate(char c) {
    return Character.isHighSurrogate(c) || Character.isLowSurrogate(c);
}

static boolean isNotSurrogate(char c) {
    return !isSurrogate(c);
}

...

if (isNotSurrogate(c)) {
    sb.append(firstChar);
}
相关讨论

Java字符串存储为16位字符序列，但它们表示的是Unicode字符序列。在Unicode术语中，它们存储为代码单元，但为代码点建模。因此，讨论删除代理是没有意义的，因为它不存在于字符/代码点表示中(除非您有无赖的单个代理，在这种情况下，您还有其他问题)。

相反，您要做的是删除在编码时需要代理的任何字符。这意味着任何超出基本多语言平面的字符。您可以通过一个简单的正则表达式来实现这一点：

1
return query.replaceAll("[^\u0000-\uffff]","");
相关讨论

为什么不简单

1
2
3
4
for (int i = 0; i < query.length(); i++)
    char c = query.charAt(i);
    if(!isHighSurrogate(c) && !isLowSurrogate(c))
        sb.append(c);

您可能应该用"？"替换它们。而不是完全删除它们。

相关讨论

如果删除，所有这些解决方案都是有用的但如果再偿还，下面的就更好了

1
2
3
4
5
6
7
8
9
10
StringBuffer sb = new StringBuffer();
    for (int i = 0; i < s.length(); i++) {
        char c = s.charAt(i);
        if(Character.isHighSurrogate(c)){
            sb.append('*');
        }else if(!Character.isLowSurrogate(c)){
            sb.append(c);
        }
    }
    return sb.toString();

只是好奇而已。如果char是high supergate，是否需要检查下一个？它应该是低代理。修改后的版本为：

1
2
3
4
5
6
7
8
9
10
11
public static String removeSurrogates(String query) {
    StringBuilder sb = new StringBuilder();
    for (int i = 0; i < query.length(); i++) {
        char ch = query.charAt(i);
        if (Character.isHighSurrogate(ch))
            i++;//skip the next char is it's supposed to be low surrogate
        else
            sb.append(ch);
    }    
    return sb.toString();
}