问题标签 [surrogate-pairs]

如果我理解正确的话，UTF-32 可以处理宇宙中的每一个字符。通过使用代理对，UTF-16 也可以。那么使用 UTF-32 而不是 UTF-16 有什么好的理由吗？

考虑以下代码：

得到以下不正确的输出：

但是，如果将0xd9输入数据中的 更改为0x9d，则得到以下正确输出：

我意识到这个功能是因为字节0xd9是一个高代理 Unicode 标记。

问题：有没有办法在 Java Unicode 字符串中提供、识别和提取代理字节（ 0xd800to ）？ 谢谢0xdfff

我正在处理对文件执行各种 IO 操作的代码，并且我想让它能够处理国际文件名。我在使用 Java 1.5 的 Mac 上工作，如果文件名包含需要代理的 Unicode 字符，则 JVM 似乎无法找到该文件。例如，我的测试文件是：

"草鷗外.gif"它被分解成 Java 字符\u8349\uD85B\uDFF6\u9DD7\u5916.gif

如果我从这个文件名创建一个文件，我无法打开它，因为我得到一个 FileNotFound 异常。即使在包含该文件的文件夹上使用它也会失败：

我实际处理的大部分代码都是以下形式：

有什么方法可以解决这个问题，要么转义文件名，要么以不同的方式打开文件？

假设我有一对代理。例如：

有没有可以用来将字符打印到屏幕上的功能？

我有一些 UTF-16 编码字符的代理对形式。我想将这些代理对输出为屏幕上的字符。

有谁知道这怎么可能？

BMP 是基本多语言平面

根据JavaScript: The Good Parts：

JavaScript 是在 Unicode 是 16 位字符集的时候构建的，因此 JavaScript 中的所有字符都是 16 位宽。

这让我相信 JavaScript 使用 UCS-2（不是 UTF-16！）并且只能处理 U+FFFF 以内的字符。

进一步的调查证实了这一点：

该fromCharCode方法在返回 Unicode 字符时似乎只使用最低 16 位。尝试获取 U+20001（CJK 统一表意文字 20001）会返回 U+0001。

问题：是否可以在 JavaScript 中处理后 BMP 字符？

2011-07-31：从Unicode Support Shootout: The Good, The Bad, & the (mostly) Ugly 中的第12 张幻灯片很好地涵盖了与此相关的问题：

尝试重新表述：您能否将每个组合字符组合映射到一个代码点？

我是 Unicode 新手，但在我看来，没有编码、规范化或表示形式，在 Unicode 的每种情况下，一个字符都是一个代码点。这个对吗？

基本多语言平面也是如此吗？

根据您的经验，到目前为止，哪些 Unicode 字符、代码点、BMP（基本多语言平面）之外的范围最常见？这些是在 UTF-8 中需要 4 个字节或在 UTF-16 中需要代理的那些。

我本来希望答案是名称中使用的中文和日文字符，但不包括在最普遍的 CJK 多字节字符集中，但在我做最多的项目，英文维基词典中，我们发现哥特字母是到目前为止更常见。

更新

我编写了几个软件工具来扫描整个维基百科中的非 BMP 字符，令我惊讶的是，即使在日语维基百科中哥特字母也是最常见的。在中文维基百科中也是如此，但它也有许多汉字被使用了多达 50 或 70 次，包括“”、“”和“”。

我正在阅读文档StringBuffer，特别是reverse()方法。该文档提到了一些关于代理对的内容。在这种情况下，什么是代理对？什么是低代理和高代理？

我正在尝试将一些文本（例如č）存储在 Postgres 数据库中，但是在检索此值时，它在屏幕上显示为?. 我不确定为什么会这样，我的印象是它是 UTF-8 不支持的字符，但在 UTF-8 中，但是，从第一个答案来看，这是一个不正确的假设.

原始问题（可能仍然有效）：

我已经阅读了有关 UTF-8 代理对的信息，它可以满足我的要求，并且我已经看到了一些涉及stringinfo object的示例TextElementEnumerators，但我无法制定出实用的概念证明。

有人可以提供一个示例，说明您如何将 UTF-16（可能使用此代理对概念）写入和读取到 postgres 数据库。谢谢你。

更新的问题：为什么č字符会作为问号从数据库中返回？

我们使用 NPGSQL 来访问数据库和 VB.Net。