Java中的代码点与代码单元

在Java中，什么是代码点与代码单元？

代码点（Code Point）：在 Unicode 代码空间中的一个值，取值 U+0000 至 U+10FFFF，代表一个字符。

其中U+0000到U+FFFF为基本字符，U+10000到U+10FFFF为增补字符。

代码单元（Code Unit）：在具体编码形式中的最小单位。比如 UTF-16 中一个 code unit 为 16 bits，UTF-8 中一个 code unit 为 8 bits。

对应关系：

一个 code point 可能由一个或多个 code unit(s) 表示。在 U+10000 之前的 code point 可以由一个 UTF-16 code unit 表示，U+10000 及之后的 code point 要由两个 UTF-16 code units 表示。

这也是为什么Java不提倡使用char类型的原因了。

在 Java 中一个 Unicode 字符是使用 UTF-16 编码的 char 进行表示的，也就是一个 char 只能表示 U+0000～U+FFFF 的 Unicode 基本字符（BMP）。因此在 Java 中需要表示 U+10000～U+10FFFF 的字符需要使用 一对代理字符进行表示，高代理字符的范围为 U+D800～U+DBFF，低代理字符的范围为 U+DC00～U+DFFF。比如表示 U+10400 的字符需要两个 char（U+D801, U+DC00）才能表示，这时的代码点长度为 1，而代码单元长度为 2。

在Java中：

String.length()表示代码单元长度
String.codePointCount()表示代码点长度

String.chatAt(int index)表示返回代码单元
String.codePointAt(int index)表示返回代码点

测试：

/**
 * Created by N3verL4nd on 2016/11/11.
 */
public class HelloWorld {
    public static void main(String[] args){

        String str = "u03C0 uD835uDD6B";
        System.out.println("str="+str+"
"+"str.length="+str.length()+"
"+
                "str.codePointCount="+str.codePointCount(0, str.length()));
        for (int i = 0; i < str.length(); i++){
            System.out.println("str.charAt("+i+")="+str.charAt(i));
        }
        for(int i = 0;i < str.codePointCount(0, str.length()); i++) {
            System.out.printf("str.codePointAt(" + i + ")=%c(%#4x)
",
                    str.codePointAt(i), str.codePointAt(i));
        }
//        String str = "你好吗ABC";
//        int i = 0;
//        while (i < str.length())
//        {
//            int cp = str.codePointAt(i);
//            System.out.println(cp);
//            if (Character.isSupplementaryCodePoint(cp)){
//                i += 2;
//            }
//            else{
//                i++;
//            }
//        }
    }
}

输出：

参考：

http://www.blogjava.net/zhenandaci/archive/2009/01/05/249866.html

http://blog.csdn.net/weizhaozhe/article/details/3909079#html

http://www.letiantian.me/2015-03-02-character-encoding/