如何利用String.codePoints()方法准确获取并处理包含复杂Unicode字符的字符串码点流？
- 内容介绍
- 相关推荐
本文共计933个文字，预计阅读时间需要4分钟。
`String.codePoints()` 是 Java 8 引入的一个用于正确处理 Unicode 字符（尤其是补充字符，即码点大于 `0xFFFF` 的字符）的关键方法。它返回一个 `IntStream`，其中每个元素是一个完整的 Unicode 码点（`int` 类型），而不是 `char` 类型（仅能表示 BMP 中的字符）。这样可以避免将代理对（surrogate pair）错误地成两个无效的 `char` 值。
为什么不能只用 charAt() 或 toCharArray()？
Java 的 char 是 16 位无符号整数，只能表示基本多文种平面（BMP，U+0000–U+FFFF）中的字符。超出该范围的字符（如大多数 emoji、古文字、部分数学符号）在 UTF-16 中以**代理对**（两个连续的 char：高代理 + 低代理）形式存储。例如：
-
"??"（程序员 emoji）实际由 4 个char组成：0xD83D 0xDC68 0x200D 0xD83D 0xDCBB（注意：中间有 ZWJ 连接符，共 5 个码点，但底层是多个代理对） -
"?"（U+20BB7，一个汉字）在字符串中占两个char：0xD842 0xDFB7
若用 charAt(i) 遍历，会把代理对拆开，得到无意义的高位或低位代理值，导致乱码或 Character.isSurrogate() 判定异常。
本文共计933个文字，预计阅读时间需要4分钟。
`String.codePoints()` 是 Java 8 引入的一个用于正确处理 Unicode 字符（尤其是补充字符，即码点大于 `0xFFFF` 的字符）的关键方法。它返回一个 `IntStream`，其中每个元素是一个完整的 Unicode 码点（`int` 类型），而不是 `char` 类型（仅能表示 BMP 中的字符）。这样可以避免将代理对（surrogate pair）错误地成两个无效的 `char` 值。
为什么不能只用 charAt() 或 toCharArray()？
Java 的 char 是 16 位无符号整数，只能表示基本多文种平面（BMP，U+0000–U+FFFF）中的字符。超出该范围的字符（如大多数 emoji、古文字、部分数学符号）在 UTF-16 中以**代理对**（两个连续的 char：高代理 + 低代理）形式存储。例如：
-
"??"（程序员 emoji）实际由 4 个char组成：0xD83D 0xDC68 0x200D 0xD83D 0xDCBB（注意：中间有 ZWJ 连接符，共 5 个码点，但底层是多个代理对） -
"?"（U+20BB7，一个汉字）在字符串中占两个char：0xD842 0xDFB7
若用 charAt(i) 遍历，会把代理对拆开，得到无意义的高位或低位代理值，导致乱码或 Character.isSurrogate() 判定异常。