非 BMP 字符判断及包含检测

在 Java 中, 要判断一个字符是否为增补字符, 也即所谓的非 BMP 字符, 可以综合使用 String 类中的 codePointAt 和 Character 类中的 isSupplementaryCodePoint 方法, 具体如下:

@Test
public void testSupplementaryCodePoint() throws Exception {
    // 一个非 BMP 字符
    String s = "𧿹";
    // 长度为 2
    assertThat(s.length()).isEqualTo(2);
    // 属于增补字符
    assertThat(Character.isSupplementaryCodePoint(s.codePointAt(0))).isTrue();
}

当然也可以简单地尝试将这个字符赋值给一个 char 变量, char 变量只能接受一个 BMP 字符, 如果是非 BMP 字符, 则编译不通过. 如果是一串的字符, 想知道其中是否存在非 BMP 字符, 则可以使用 codePointCount 方法:

@Test
public void testCodePointCount() throws Exception {
    String normalStr = "hi你";
    String strContainNoneBMP = "h𧿹你";

    // 两者的 length 不同
    assertThat(normalStr.length()).isEqualTo(3);
    assertThat(strContainNoneBMP.length()).isEqualTo(4);

    // 两者的码点数（ code point count）却是相同的
    assertThat(normalStr.codePointCount(0, normalStr.length())).isEqualTo(3);
    assertThat(strContainNoneBMP.codePointCount(0, strContainNoneBMP.length())).isEqualTo(3);
}

这点其实在之前的 Unicode UTF 代码单元与字符串长度 其实也提到过.

如果含有非 BMP 字符, 则 String 的 length 和 codePointCount 的值是不等的, 更具体地讲, length 的值要大于 codePointCount 的值.