Java：多字节字符串长度

Question

我有一个方法，类似Markdown语法，用于在命令行程序中打印"header text"。

1. =======================
2. This is a header string
3. =======================

这个方法使用一个字符c，针对第1和第3行，基于s的长度重复n次。 String.length()对英文字母适用良好，但是如何找到包含外语多字节字符（如“Å”和“Ç”）的字符串的长度（即视觉长度）？

- josocblaugrana

---

也许你没有以正确的编码读取字符串。 - ReyCharles

Answer 1

String.length对于那些常见字符是可以的，因为Java字符串使用UTF-16工作，它足以表示大多数常用字符（拉丁文、希腊文、阿拉伯文、希伯来文、中文、泰文、天城体梵文等）。

如果您可能需要处理U+FFFF以上的字符，则需要使用codePointCount而不是length来处理代理对。

- Ian Roberts

---

如果s是"Ø"，那么s.length()会给我一个值为2。但我希望它是1。而且我相信，根据您编译程序时使用的文件编码，您可能会得到不同的值。 - josocblaugrana

@josocblaugrana：我无法确认。我尝试运行了以下程序，它打印了1： public class A { public static void main(String[] args) { System.out.println("Ø".length()); } } - ReyCharles

@ReyCharles：在我的电脑上，运行 System.out.println("Ø".length()) （仅此而已）返回值为 2… 供参考，我使用的是 Mac。 - josocblaugrana

@josocblaugrana 很明显，您告诉编译器使用的编码必须与Java源文件的编码匹配，就像在读取文本文件时必须向InputStreamReader传递正确的编码一样。如果您的.java文件是UTF-8编码，但编译器将其读作ISO-8859-1或MacRoman，则会将该字符串文字视为"\u00c3\u0098"而不是"\u00D8"。 - Ian Roberts

如果您不能确定编译器将设置为哪种编码方式，那么您就必须在源代码中使用Unicode转义字符（例如使用 "\u00D8" 而不是 "Ø"）。您可以使用 native2ascii 工具来自动化此过程。 - Ian Roberts

Answer 2

String.length()对于大多数Unicode字符，包括Å和Ç都是可以的。

Java字符串采用utf-16编码，其中每个Character占用2或4字节。

补充字符表示占用4字节的字符，并通过配对两个字符来实现，此时必须使用codePointCount操作而不是length。

这些字符肯定存在于标准Unicode规范中。

- Johan Sjöberg

---

不，UTF16中每个字符占用2或4个字节。 - Rok Kralj

@RokKralj，这正是我想要表达的。很高兴你发现这不够清楚。 - Johan Sjöberg