java - 分隔 Unicode 连字字符

Question

在大量的 unicode 字符中，有一些实际上表示多个字符，例如 U+FB00 连字 ff 表示两个 'f' 字符。有什么方法可以轻松地将这样的字符转换为多个单个字符？最好是标准 Java API 中可用的东西，但如果需要，我可以参考外部库。

Answer 1

U+FB00 是兼容字符。通常，Unicode 不支持连字的单独代码点（认为这是一个布局决定是否以及何时应该使用连字，并且不应该影响数据的存储方式）。其中一些仍然存在，以允许与将连字表示为单独实体的旧编码进行往返转换兼容。

幸运的是，连字代表的字符信息存在于Unicode 数据文件中，并且大多数功能强大的字符串处理系统都内置了该数据。

在 Java 中，您需要使用类Normalizer和表单NFKC：

String ff ="\uFB00";
String normalized = Normalizer.normalize(ff, Form.NFKC);
System.out.println(ff + " = " + normalized);

这将打印

ff = ff

Answer 2

您正在谈论的过程称为规范化，并在Unicode 规范化表单技术说明中指定。

Java SE 类库中有一个类java.text.Normalizer实现了这个过程。但是，您需要阅读上面链接的 Unicode 文档，以确定您需要使用哪种“规范化形式”来获得所需的结果。这并不简单......

Answer 3

您可以尝试java.text.Normalizer，但我不确定这是否适用于连字。