Unicode in Java

Java代码使用Unicode字符集编写，在编译时Java程序里的Unicode字符会被逐一转换成token。

ℹ️Java SE各版本使用的Unicode标准是不同的，当前SE版本使用的具体是哪个版本的Unicode标准，可以在类Character里找到

Unicode标准创建时，每个字符使用固定的16位字符进行编码。随着对各种语言的扩展支持，Unicode字符的编码开始超过16位。

当下合法的Unicode编码从U+0000到U+10FFFF

码元(code unit)：一个16位的编码，如0x1234

码点(code point)：一个Unicode字符的编码，如U+10FFFF


补充字符(supplementary characters)是指那些码点超过U+FFFF的字符

为了也能只用16位编码表示这些补充字符，Unicode标准定义了UTF-16编码格式
⚠️ 不要混淆Unicode字符集，UTF-16编码方式的概念

UTF-16编码:

• 对于补充字符，使用一对16位的码元来表示

  第一个16位码元来自U+D800到U+DBFF，第二个16位码元来自U+DC00到U+DFFF

• 对于编码在U+0000到U+FFFF的普通字符，它的码元和码点是一样的

ℹ️ 因此在Java中，语义字符的确切名称叫做UTF-16码元(code unit)，一个Unicode字符的确切名称叫做码点(code point)

码元和码点示例

public static void main(String[] args) {
    String wang = "hi王🐍";

    /* .length()返回码元的数量, .charAt()返回索引上的码元对应的字符 */
    for (int i = 0; i < wang.length(); i++) {
        /* 依次输出 h 68, i 69, 王 738b, ? d83d, ? dc0d */
        System.out.println(wang.charAt(i) + " " + Integer.toHexString((char) wang.charAt(i)));
    }
    /* .codePointCount()返回码点的数量, .codePointAt()返回索引上的码点对应的字符 */
    for (int i = 0; i < wang.codePointCount(0, wang.length()); i++) {
        /* 依次输出 h 67, i 69, 王 738b, 🐍 1f40d */
        int codePointAt = wang.codePointAt(i);
        String str = new String(Character.toChars(codePointAt));
        System.out.println(str + " " + Integer.toHexString(codePointAt));
    }
}