我正在努力获取 Unicode 字符串的计数，并尝试了各种选项。看起来是一个小问题，但却陷入了困境。
在这里，我试图获取字符串 str1 的长度。我得到的答案是 6，但实际上它应该是 3。将光标移动到字符串“குமார்”上也显示它只有 3 个字符。
基本上我想测量长度并打印每个字符，如“கு”，“மா”，“ர்”。
public class one {
public static void main(String[] args) {
String str1 = new String("குமார்");
System.out.print(str1.length());
}
}
PS：这是泰米尔语。
找到了解决您问题的方法。
根据这个SO答案，我编写了一个程序，使用正则表达式字符类来搜索可能具有可选修饰符的字母。它将您的字符串拆分为单个（如果必要，则组合）字符，并将它们放入列表中：
import java.util.*;
import java.lang.*;
import java.util.regex.*;
class Main
{
public static void main (String[] args)
{
String s="குமார்";
List<String> characters=new ArrayList<String>();
Pattern pat = Pattern.compile("\\p{L}\\p{M}*");
Matcher matcher = pat.matcher(s);
while (matcher.find()) {
characters.add(matcher.group());
}
// Test if we have the right characters and length
System.out.println(characters);
System.out.println("String length: " + characters.size());
}
}
\\p{L}表示Unicode字母，\\p{M}表示Unicode标记。
代码片段的输出结果为：
கு
மா
ர்
String length: 3
请查看 https://ideone.com/Apkapn 获取一个运行演示。
编辑
我现在使用了来自http://en.wikipedia.org/wiki/Tamil_script的表格中所有有效泰米尔字母检查了我的正则表达式。我发现当前的正则表达式无法正确捕获所有字母（Grantha复合表中最后一行的每个字母都会被拆分为两个字母），因此我将正则表达式改进为以下解决方案：
Pattern pat = Pattern.compile("\u0B95\u0BCD\u0BB7\\p{M}?|\\p{L}\\p{M}?");
使用这种模式，您应该能够将句子分割成每个有效的泰米尔文字（只要维基百科的表格是完整的）。
我用于检查的代码如下：
String s = "ஃஅஆஇஈஉஊஎஏஐஒஓஔக்ககாகிகீகுகூகெகேகைகொகோகௌங்ஙஙாஙிஙீஙுஙூஙெஙேஙைஙொஙோஙௌச்சசாசிசீசுசூசெசேசைசொசோசௌஞ்ஞஞாஞிஞீஞுஞூஞெஞேஞைஞொஞோஞௌட்டடாடிடீடுடூடெடேடைடொடோடௌண்ணணாணிணீணுணூணெணேணைணொணோணௌத்ததாதிதீதுதூதெதேதைதொதோதௌந்நநாநிநீநுநூநெநேநைநொநோநௌப்பபாபிபீபுபூபெபேபைபொபோபௌம்மமாமிமீமுமூமெமேமைமொமோமௌய்யயாயியீயுயூயெயேயையொயோயௌர்ரராரிரீருரூரெரேரைரொரோரௌல்லலாலிலீலுலூலெலேலைலொலோலௌவ்வவாவிவீவுவூவெவேவைவொவோவௌழ்ழழாழிழீழுழூழெழேழைழொழோழௌள்ளளாளிளீளுளூளெளேளைளொளோளௌற்றறாறிறீறுறூறெறேறைறொறோறௌன்னனானினீனுனூனெனேனைனொனோனௌஶ்ஶஶாஶிஶீஶுஶூஶெஶேஶைஶொஶோஶௌஜ்ஜஜாஜிஜீஜுஜூஜெஜேஜைஜொஜோஜௌஷ்ஷஷாஷிஷீஷுஷூஷெஷேஷைஷொஷோஷௌஸ்ஸஸாஸிஸீஸுஸூஸெஸேஸைஸொஸோஸௌஹ்ஹஹாஹிஹீஹுஹூஹெஹேஹைஹொஹோஹௌக்ஷ்க்ஷக்ஷாக்ஷிக்ஷீக்ஷுக்ஷூக்ஷெக்ஷேக்ஷைஷொக்ஷோஷௌ";
List<String> characters = new ArrayList<String>();
Pattern pat = Pattern.compile("\u0B95\u0BCD\u0BB7\\p{M}?|\\p{L}\\p{M}?");
Matcher matcher = pat.matcher(s);
while (matcher.find()) {
characters.add(matcher.group());
}
System.out.println(characters);
System.out.println(characters.size() == 325);
|\\p{P}。\\p{P} 是指标点符号。请参见 https://ideone.com/NvfDDq。 - halex请查看Normalizer类。其中有解释可能导致您问题的原因。在Unicode中，您可以使用多种方式编码字符，例如Á：
U+00C1 LATIN CAPITAL LETTER A WITH ACUTE
U+0041 LATIN CAPITAL LETTER A
U+0301 COMBINING ACUTE ACCENT
您可以尝试使用Normalizer将字符串转换为组合形式，然后迭代字符。
编辑: 根据@halex上面提出的文章，在Java中尝试如下：
String str = new String("குமார்");
ArrayList<String> characters = new ArrayList<String>();
str = Normalizer.normalize(str, Form.NFC);
StringBuilder charBuffer = new StringBuilder();
for (int i = 0; i < str.length(); i++) {
int codePoint = str.codePointAt(i);
int category = Character.getType(codePoint);
if (charBuffer.length() > 0
&& category != Character.NON_SPACING_MARK
&& category != Character.COMBINING_SPACING_MARK
&& category != Character.CONTROL
&& category != Character.OTHER_SYMBOL) {
characters.add(charBuffer.toString());
charBuffer.delete(0, charBuffer.length());
}
charBuffer.appendCodePoint(codePoint);
}
if (charBuffer.length() > 0) {
characters.add(charBuffer.toString());
}
System.out.println(characters);
我得到的结果是[கு, மா, ர்]。如果对于您的所有字符串都不起作用，请尝试在if块中调整其他Unicode字符类别。
这真的很丑陋...我已经调试了你的字符串并发现以下字符（以及它们的十六进制位置）：
க 0x0b95
ு 0x0bc1
ம 0x0bae
ா 0x0bbe
ர 0x0bb0
் 0x0bcd
因此，泰米尔语使用类似变音符号的序列来获得所有字符，而这些字符不幸地被计算为单独的实体。
这不是UTF-8 / UTF-16的问题，尽管其他答案错误地声称是这样，而是Unicode编码泰米尔语中固有的问题。
所建议的正常化程序不起作用，似乎泰米尔语已被Unicode "专家"明确设计为使用不能规范化的组合序列。 真恼火。
我的下一个想法是不要计算字符，而是计算字形，即字符的视觉表示。
String str1 = new String(Normalizer.normalize("குமார்", Normalizer.Form.NFC ));
Font display = new Font("SansSerif",Font.PLAIN,12);
GlyphVector vec = display.createGlyphVector(new FontRenderContext(new AffineTransform(),false, false),str1);
System.out.println(vec.getNumGlyphs());
for (int i=0; i<str1.length(); i++)
System.out.printf("%s %s %s %n",str1.charAt(i),Integer.toHexString((int) str1.charAt(i)),vec.getGlyphVisualBounds(i).getBounds2D().toString());
க b95 [x=0.0,y=-6.0,w=7.0,h=6.0]
ு bc1 [x=8.0,y=-6.0,w=7.0,h=4.0]
ம bae [x=17.0,y=-6.0,w=6.0,h=6.0]
ா bbe [x=23.0,y=-6.0,w=5.0,h=6.0]
ர bb0 [x=30.0,y=-6.0,w=4.0,h=8.0]
் bcd [x=31.0,y=-9.0,w=1.0,h=2.0]
由于字形相交，您需要使用Java字符类型函数，就像其他解决方案一样。
解决方案:
我正在使用此链接: http://www.venkatarangan.com/blog/content/binary/Counting%20Letters%20in%20an%20Unicode%20String.pdf
public static int getTamilStringLength(String tamil) {
int dependentCharacterLength = 0;
for (int index = 0; index < tamil.length(); index++) {
char code = tamil.charAt(index);
if (code == 0xB82)
dependentCharacterLength++;
else if (code >= 0x0BBE && code <= 0x0BC8)
dependentCharacterLength++;
else if (code >= 0x0BCA && code <= 0x0BD7)
dependentCharacterLength++;
}
return tamil.length() - dependentCharacterLength;
}
您需要排除组合字符并相应地计数。
这是一种新的计算Java字符串长度的方法，考虑到Unicode字符。
int unicodeLength = str.codePointCount(0, str.length);
codePointCount()或codePoints()查看它，与str.length()得到的结果相同。但是在其他语言中可能会有所不同。（我认为这就是代码点的意图。） - Joshua Goldberg
new String("...")пјҢеҸӘйңҖиҰҒиҝҷж ·еҒҡпјҡString str1 = "а®•аҜҒа®®а®ҫа®°аҜҚ";гҖӮ - Jesper