2

我想用 Java 构建一个稍微简单的表（作为练习）来检查最终用户字体中是否存在合法的可打印 Unicode 代码点。因为某些字体无法打印有效的代码点，我必须知道用户的字体仍然丢失了哪些可打印的代码点，因此无法打印。

例如，如果字体只支持拉丁字符，我无法使用它打印希腊字符，更不用说日文字符了。Unicode 表示它们都是可打印的，但用户的字体可能不够好。

经过一番研究，我已经能够在 Eclipse 中打印大部分字符（通过调整编码）。但是，我的输出中仍然有一堆未知/不可打印的字符，因为当我查看输出时，我会看到所有这些空矩形用于我的一些可打印字符。

我试过过滤它们，但找不到任何方法。仅供参考，我基本上只是将字符的值设置为 50、100 或 1000，然后通过for循环从那里增加它以检查我可以或不能（或不应该）打印哪些字符。

谁能给我一些关于从哪里开始的提示？

4

2 回答 2

3

您的任务实际上比编码复杂一点，因为您尝试打印的字体会对输出产生很大影响。即并非所有字体都支持相同的字符集。事实上，字符范围的支持因字体而异。

也就是说，您的问题现在变成了：如何检测某种字体是否支持给定字符？并且已经提出并回答了这个问题...有关 canDisplay函数的 Java 文档，请参见此处，该函数是Font 类的成员。

于 2012-02-09T12:42:18.187 回答
2

目前尚不清楚您在这里的实际和确切含义。如果您打算按数字玩，那么Unicode 技术标准 #18 关于Unicode 正则表达式的附录 C给出了具体建议，即“可打印”代码点被定义为具有该print属性的任何代码点，其中该属性被定义为是

  • \p{print} 方法[[\p{graph}\p{blank}]&&[^\p{gc=Control}]]
  • \p{graph} 方法[^\p{Whitespace}\p{gc=Control}\p{gc=Surrogate}\p{gc=Unassigned}]
  • \p{blank} 方法[\p{Whitespace}&&[^\N{LF}\N{VT}\N{FF}\N{CR}\N{NEL}\p{gc=Line_Separator}\{gc=Paragraph_Separator}]

或者，作为 Java 1.7Pattern类的文档，假设您编译模式时启用了 new-to-Java7 Pattern.UNICODE_CHARACTER_CLASS标志：

  • \p{Graph} 一个可见的字符：[^\p{IsWhite_Space}\p{gc=Cc}\p{gc=Cs}\p{gc=Cn}]
  • \p{Print} 可打印字符：[\p{Graph}\p{Blank}&&[^\p{Cntrl}]]
  • \p{Blank} 空格或制表符：[\p{IsWhite_Space}&&[^\p{gc=Zl}\p{gc=Zp}\x0a\x0b\x0c\x0d * \x85]]
  • \p{Cntrl} 控制字符：\p{gc=Cc}
  • \p{XDigit} 十六进制数字：[\p{gc=Nd}\p{IsHex_Digit}]
  • \p{Space} 空白字符：\p{IsWhite_Space}

关于“可打印”字符

如果您只是使用一些合理的东西，例如 Java 的(?U)\p{print}模式属性（或类中的等价物Character），那么您仍然需要做出一些“有趣”的决定。

考虑以下每个代码点：

U+000007 gc=Cc columns=0 print=0 graph=0  ALERT
U+000008 gc=Cc columns=0 print=0 graph=0  BACKSPACE
U+000009 gc=Cc columns=0 print=0 graph=0  CHARACTER TABULATION
U+00000C gc=Cc columns=0 print=0 graph=0  FORM FEED (FF)
U+00000D gc=Cc columns=0 print=0 graph=0  CARRIAGE RETURN (CR)
U+000020 gc=Zs columns=1 print=1 graph=0  SPACE
U+000021 gc=Po columns=1 print=1 graph=1  EXCLAMATION MARK
U+000041 gc=Lu columns=1 print=1 graph=1  LATIN CAPITAL LETTER A
U+000061 gc=Ll columns=1 print=1 graph=1  LATIN SMALL LETTER A
U+000080 gc=Cc columns=0 print=0 graph=0  PADDING CHARACTER
U+000085 gc=Cc columns=0 print=0 graph=0  NEXT LINE (NEL)
U+00008D gc=Cc columns=0 print=0 graph=0  REVERSE LINE FEED
U+0000AB gc=Pi columns=1 print=1 graph=1  LEFT-POINTING DOUBLE ANGLE QUOTATION MARK
U+0000AD gc=Cf columns=0 print=1 graph=1  SOFT HYPHEN
U+0002B0 gc=Lm columns=1 print=1 graph=1  MODIFIER LETTER SMALL H
U+0002C6 gc=Lm columns=1 print=1 graph=1  MODIFIER LETTER CIRCUMFLEX ACCENT
U+000302 gc=Mn columns=0 print=1 graph=1  COMBINING CIRCUMFLEX ACCENT
U+00036A gc=Mn columns=0 print=1 graph=1  COMBINING LATIN SMALL LETTER H
U+001100 gc=Lo columns=2 print=1 graph=1  HANGUL CHOSEONG KIYEOK
U+002028 gc=Zl columns=0 print=0 graph=0  LINE SEPARATOR
U+002029 gc=Zp columns=0 print=0 graph=0  PARAGRAPH SEPARATOR
U+00202B gc=Cf columns=0 print=1 graph=1  RIGHT-TO-LEFT EMBEDDING
U+00202F gc=Zs columns=1 print=1 graph=0  NARROW NO-BREAK SPACE
U+002060 gc=Cf columns=0 print=1 graph=1  WORD JOINER
U+002061 gc=Cf columns=0 print=1 graph=1  FUNCTION APPLICATION
U+002062 gc=Cf columns=0 print=1 graph=1  INVISIBLE TIMES
U+002064 gc=Cf columns=0 print=1 graph=1  INVISIBLE PLUS
U+002EC1 gc=So columns=2 print=1 graph=1  CJK RADICAL TIGER
U+002F0B gc=So columns=2 print=1 graph=1  KANGXI RADICAL EIGHT
U+003000 gc=Zs columns=2 print=1 graph=0  IDEOGRAPHIC SPACE
U+003008 gc=Ps columns=2 print=1 graph=1  LEFT ANGLE BRACKET
U+00300A gc=Ps columns=2 print=1 graph=1  LEFT DOUBLE ANGLE BRACKET
U+00300C gc=Ps columns=2 print=1 graph=1  LEFT CORNER BRACKET
U+00302B gc=Mn columns=0 print=1 graph=1  IDEOGRAPHIC RISING TONE MARK
U+003030 gc=Pd columns=2 print=1 graph=1  WAVY DASH
U+003037 gc=So columns=2 print=1 graph=1  IDEOGRAPHIC TELEGRAPH LINE FEED SEPARATOR SYMBOL
U+003041 gc=Lo columns=2 print=1 graph=1  HIRAGANA LETTER SMALL A
U+00E000 gc=Co columns=1 print=1 graph=1 <unnamed codepoint in blk=Private_Use_Area>
U+00F8FF gc=Co columns=1 print=1 graph=1 <unnamed codepoint in blk=Private_Use_Area>
U+00FB1E gc=Mn columns=0 print=1 graph=1  HEBREW POINT JUDEO-SPANISH VARIKA
U+00FE00 gc=Mn columns=0 print=1 graph=1  VARIATION SELECTOR-1
U+00FE23 gc=Mn columns=0 print=1 graph=1  COMBINING DOUBLE TILDE RIGHT HALF
U+00FE58 gc=Pd columns=2 print=1 graph=1  SMALL EM DASH
U+00FE77 gc=Lo columns=1 print=1 graph=1  ARABIC FATHA MEDIAL FORM
U+00FEFF gc=Cf columns=0 print=1 graph=1  ZERO WIDTH NO-BREAK SPACE
U+00FF06 gc=Po columns=2 print=1 graph=1  FULLWIDTH AMPERSAND
U+00FFFA gc=Cf columns=0 print=1 graph=1  INTERLINEAR ANNOTATION SEPARATOR
U+00FFFD gc=So columns=1 print=1 graph=1  REPLACEMENT CHARACTER
U+01B000 gc=Lo columns=2 print=1 graph=1  KATAKANA LETTER ARCHAIC E
U+01D165 gc=Mc columns=1 print=1 graph=1  MUSICAL SYMBOL COMBINING STEM
U+01D167 gc=Mn columns=0 print=1 graph=1  MUSICAL SYMBOL COMBINING TREMOLO-1
U+100002 gc=Co columns=1 print=1 graph=1 <unnamed codepoint in blk=Supplementary_Private_Use_Area-B>

其中一些对于它们打印什么，甚至是否打印是非常有条件的。例如，你觉得 U+F8FF 的‹›是什么样的？

然后你必须决定如何处理制表符和退格键。

另外，您将不得不考虑\p{Grapheme_Extend}用于构建 Unicode 扩展字素簇的各种代码点；也就是说，一个用户可见的字符。并非所有这些都是非间距标记。事实上，有些根本不是标记，而是字母！有些根本不是可打印的字符，但它们改变了\p{Grapheme_Base}它们不可避免地附加到的可打印字符；仅以变体选择器为例。

警告

这将我们带到了一个非常重要的点，它经常被潜在的 Java 程序员忘记，即使没有完全忘记，通常也被低估了。

永远、永远、永远记住Java 字符不是 Unicode 字符！ Unicode 字符有两种合理的定义，Java 两者都没有。以下是两个合理的定义：

  • 如果一个字符是程序员可见意义上的字符，那么一个字符就是一个 Unicode 代码点。.例如，无论您使用 Sun 的还是 ICU 的，这都是正则表达式引擎中的匹配项。
  • 如果一个字符是用户可见意义上的字符，那么一个字符就是一个 Unicode 扩展字素簇。这是\X（ICU 不是 Sun）正则表达式引擎中的匹配项。

Java 所谓的“字符”是实际 Unicode 代码点的可变宽度 UTF-16 表示的低级、中断抽象的 2 字节元素。它既不是抽象代码点，也不是抽象字素。它不是抽象的东西。 Javachar违反了抽象的信封。

是的，一些 Java 类为您提供了一个codePointAt接口，您绝对应该使用那些可用的接口。但在许多方面，这里需要花很长时间来解释，Java 从根本上破坏了它的字符抽象——因为它没有字符抽象。

这使得在 Java 中使用 Unicode 字符和字符串最容易出错，而且通常几乎是不可能的。

祝你好运。

于 2012-02-09T14:50:41.663 回答