我的Java日記–Char

• Java語言中的每一個 char 類型變數均為16-bit，對應於UTF-16編碼中的一個 code unit（簡稱為CU）——即Java的 Char 類型變數完全遵循UTF-16編碼規範，編碼規範的詳細解讀見收藏夾中的《徹底搞懂字元編碼》一文。
          因為1個CU可能對應一個Unicode表中的一個code point（簡稱CP，一個cp對應於一個真正的unicode字元），也可能僅僅只是表示一個CP的兩個CU中的一個，所以Java中的一個 Char 類型變數並不一定就是代表一個字元。
          在Java中表示一個char常量的時候，可以使用\u逸出字元來表示一個CU——這裡需要注意的是，使用\u來表示一個char常量的時候，必須使用四位的十六進位數。例如 '\u0012'，這樣才符合一個char類型變數必須為16-bit的要求。如果寫成 '\u12'，Java編譯器將報錯。而對於Unicode表中的supplement characters（即CP值大於0xFFFF），例如 U+12345，我們是不能直接用 '\u12345' 這樣的形式來表示的，而必須遵循UTF-16編碼規範，寫成
  '\uD808\uDF45'
          String對象的length()方法返回的是CU的個數，而codePointCount()方法返回的才是CP的格式，二者不一定相等。類似的charAt()方法中的index參數也是針對CU而言的，而codePoint()方法的index參數是針對CP而言的，後者index需要首先通過String對象的offsetByCodePoint()方法才能擷取。offsetByCodePoints(int index, int codePointOffset) 兩個參數的含義個人理解為：以第index個CU為起點的第
  codePointOffset 個CP的第一個CU在String對象中的index。例如：String sentence = "\uD835\uDD6B\uD836\uDD6Cqq"; 
  • sentence.offsetByCodePoints(1, 0) 是指以第1個CU（\uDD6B）為起點的第0個CP，因為\uDD6B本身不是以D8開頭的，所以\uDD6B自身就被當做一個獨立的CP，因此傳回值也就是1了；
  • sentence.offsetByCodePoints(1, 1) 是指以第1個CU（\uDD6B）為起點的第1個CP，即 '\uD836\uDD6C' 這一個code point，因為這個CP是由兩個CU構成的，所以傳回值就是 \uD836 這個CU的index，即2
  • sentence.offsetByCodePoints(2, 0)是指以第2個CU（\uD836）為起點的第0個CP，因為 \uD836 本身就是以D8開頭的，所以對應的CP仍然是 '\uD836\uDD6C' 這一個code point，故而其傳回值與 sentence.offsetByCodePoints(1, 1) 是一樣的2
  • sentence.offsetByCodePoints(1, 2)是指以第1個CU（\uDD6B）為起點的第2個CP，對應的是'q'這個code point了，這個CP本身僅僅對應一個CU，所以傳回值就是4了