Java Character 實現Unicode字符集介紹? CJK中文字符和中文標點判斷

主要內容：

1. Java Character類介紹；

2. Unicode 簡介及 UnicodeBlock 與 UnicodeScript區別和聯系

3. 如何判斷漢字及中文標點符號

做中文信息處理，經常會遇到如何判斷一個字是否是中文，或者是否是中文的標點符號等。

在Java中，主要使用 Character類處理字符有關功能，而JDK 1.7中Character是按照Unicode 6.0版本實現的，所以這個要先學習下常用的 Unicode編碼。

Character 類中有3個靜態內部類，

Modifier and Typehttp://http://www.cnblogs.com/zztt/admin/EditPosts.aspx?opt=1www.cnblogs.com/zztt/admin/EditPosts.aspx?opt=1Class and Description

static class

Instances of this class represent particular subsets of the Unicode character set.

static class

A family of character subsets representing the character blocks in the Unicode specification.

static class

A family of character subsets representing the character scripts defined in the Unicode Standard Annex #24: Script Names.

其中的UnicodeBlock 和 UnicodeScript類可以幫助我們判斷字符類型，

UnicodeBlock是Unicode標準協會組織unicode碼的一個基本單位，實際上一個 UnicodeBlock代表一片連續的Unicode號碼段，UnicodeBlock之間不重疊。例如，通常我們利用Unicode編碼是否在 0x4E00–0x9FCC 來判斷某字符是否為漢字，就是因為，有個UnicodeBlock 專門劃分為存儲漢字 (準確的說是 CJK統一漢字)，這個UnicodeBlock叫做 CJK Unified Ideographs，總共定義了 74,617 個漢字。

當然還有其他很多UnicodeBlock，例如，對于漢字還有4個擴展 UnicodeBlock，CJK Unified Ideographs Extension A, B, C, D 分別都擴展了一些我們平時見都沒見過的漢字(如果不是專門的古籍數字化，Unicode字符集中的漢字普通交流夠了)

Unicode中一種Script通常就是一個字符或者其他書寫符號的集合，代表著一種或多種writing systems (這里暫且翻譯為文書類型，文書類型細分可以分成不同語言)。有些Script僅支持一種文字類型，有些可以支持多種，例如 Latin Script 支持 supports English, French, German, Italian, Vietnamese, Latin 等等，具體可見wikipedia，

http://en.wikipedia.org/wiki/Scripts_in_Unicode

UnicodeBlock 與 UnicodeScript 關系：

所以UnicodeScript 是從語言書寫規則層次對Unicode字符的分類，這是用使用角度劃分，而UnicodeBlock是從硬的編碼角度劃分。

1. UnicodeBlock是簡單的數值范圍 (其中可能有些Block中會有一些尚未分配字符的“空號”)。

2. 在一個UnicodeScript中的字符可能分散在多個UnicodeBlock中；

3. 一個UnicodeBlock中的字符可能會被劃進多個UnicodeScript中。

另外需要注意的是UnicodeScript實現是在Java 7中新引入的。

具體在編寫程序中，可以游2種辦法，一是使用 UnicodeBlock，請見代碼：

//使用UnicodeBlock方法判斷

public boolean isChineseByBlock(charc) {

Character.UnicodeBlock ub=Character.UnicodeBlock.of(c);if (ub ==Character.UnicodeBlock.CJK_UNIFIED_IDEOGRAPHS|| ub ==Character.UnicodeBlock.CJK_UNIFIED_IDEOGRAPHS_EXTENSION_A|| ub ==Character.UnicodeBlock.CJK_UNIFIED_IDEOGRAPHS_EXTENSION_B|| ub ==Character.UnicodeBlock.CJK_UNIFIED_IDEOGRAPHS_EXTENSION_C|| ub ==Character.UnicodeBlock.CJK_UNIFIED_IDEOGRAPHS_EXTENSION_D|| ub ==Character.UnicodeBlock.CJK_COMPATIBILITY_IDEOGRAPHS|| ub ==Character.UnicodeBlock.CJK_COMPATIBILITY_IDEOGRAPHS_SUPPLEMENT) {return true;

}else{return false;

}

}

或者如果使用JDK1.7，那么UnicodeScript方法會更方便，因為UnicodeScript.HAN 包括了上面所列的5個UnicodeBlock：

//使用UnicodeScript方法判斷

public boolean isChineseByScript(charc) {

Character.UnicodeScript sc=Character.UnicodeScript.of(c);if (sc ==Character.UnicodeScript.HAN) {return true;

}return false;

}

類似的，擴展開去還可以判別中文標點符號。

因為中文的標點符號主要存在于以下5個UnicodeBlock中，

U2000-General Punctuation (百分號，千分號，單引號，雙引號等)

U3000-CJK Symbols and Punctuation ( 頓號，句號，書名號，?，?，? 等；PS: 后面三個字符你知道什么意思嗎？ : ) ?? )

UFF00-Halfwidth and Fullwidth Forms ( 大于，小于，等于，括號，感嘆號，加，減，冒號，分號等等)

UFE30-CJK Compatibility Forms? (主要是給豎寫方式使用的括號，以及間斷線﹉，波浪線﹌等)

UFE10-Vertical Forms (主要是一些豎著寫的標點符號，?   等等)

//根據UnicodeBlock方法判斷中文標點符號

public boolean isChinesePunctuation(charc) {

Character.UnicodeBlock ub=Character.UnicodeBlock.of(c);if (ub ==Character.UnicodeBlock.GENERAL_PUNCTUATION|| ub ==Character.UnicodeBlock.CJK_SYMBOLS_AND_PUNCTUATION|| ub ==Character.UnicodeBlock.HALFWIDTH_AND_FULLWIDTH_FORMS|| ub ==Character.UnicodeBlock.CJK_COMPATIBILITY_FORMS|| ub ==Character.UnicodeBlock.VERTICAL_FORMS) {return true;

}else{return false;

}

}

最后上測試代碼：

importjava.util.regex.Pattern;/*** author: Tong

* Date: 11/16/13

* Time: 10:42 PM*/

public classCharClassifier {public static voidmain(String[] args) {

CharClassifier classifier= newCharClassifier();

String[] strings= new String[]{"Hello", "你好", "???", "にほんご", "???",",.?!@#$%^&()", "，。？！＠＃￥％……＆()"};for (int i = 0; i < strings.length; i++) {

String str=strings[i];

System.out.println("原字符串為：" +str);char[] chars =str.toCharArray();if (i < 5) {

System.out.println("使用0x4E00-0x9FCC范圍判斷字符是否為漢字：");for (charaChar : chars) {

System.out.println(aChar+ ":" + (classifier.isChineseByRange(String.valueOf(aChar)) ? "YES" : "NO"));

}

System.out.println("使用UnicodeBlock方法判斷字符是否為漢字：");for (charaChar : chars) {

System.out.println(aChar+ ":" + (classifier.isChineseByBlock(aChar) ? "YES" : "NO"));

}

System.out.println("使用UnicodeScript方法判斷字符是否為漢字：");for (charaChar : chars) {

System.out.println(aChar+ ":" + (classifier.isChineseByScript(aChar) ? "YES" : "NO"));

}

}else{

System.out.println("判斷是否為中文符號：");for (charaChar : chars) {

System.out.println(aChar+ ":" + (classifier.isChinesePunctuation(aChar) ? "YES" : "NO"));

}

}

}

}//使用UnicodeBlock方法判斷

public boolean isChineseByBlock(charc) {

Character.UnicodeBlock ub=Character.UnicodeBlock.of(c);if (ub ==Character.UnicodeBlock.CJK_UNIFIED_IDEOGRAPHS|| ub ==Character.UnicodeBlock.CJK_UNIFIED_IDEOGRAPHS_EXTENSION_A|| ub ==Character.UnicodeBlock.CJK_UNIFIED_IDEOGRAPHS_EXTENSION_B|| ub ==Character.UnicodeBlock.CJK_UNIFIED_IDEOGRAPHS_EXTENSION_C|| ub ==Character.UnicodeBlock.CJK_UNIFIED_IDEOGRAPHS_EXTENSION_D|| ub ==Character.UnicodeBlock.CJK_COMPATIBILITY_IDEOGRAPHS|| ub ==Character.UnicodeBlock.CJK_COMPATIBILITY_IDEOGRAPHS_SUPPLEMENT) {return true;

}else{return false;

}

}//使用UnicodeScript方法判斷

public boolean isChineseByScript(charc) {

Character.UnicodeScript sc=Character.UnicodeScript.of(c);if (sc ==Character.UnicodeScript.HAN) {return true;

}return false;

}//根據UnicodeBlock方法判斷中文標點符號

public boolean isChinesePunctuation(charc) {

Character.UnicodeBlock ub=Character.UnicodeBlock.of(c);if (ub ==Character.UnicodeBlock.GENERAL_PUNCTUATION|| ub ==Character.UnicodeBlock.CJK_SYMBOLS_AND_PUNCTUATION|| ub ==Character.UnicodeBlock.HALFWIDTH_AND_FULLWIDTH_FORMS|| ub ==Character.UnicodeBlock.CJK_COMPATIBILITY_FORMS|| ub ==Character.UnicodeBlock.VERTICAL_FORMS) {return true;

}else{return false;

}

}//使用Unicode編碼范圍來判斷漢字；這個方法不準確,因為還有很多漢字不在這個范圍之內

public booleanisChineseByRange(String str) {if (str == null) {return false;

}

Pattern pattern= Pattern.compile("[\\u4E00-\\u9FCC]+");returnpattern.matcher(str.trim()).find();

}

}

程序輸出：

原字符串為：Hello

使用0x4E00-0x9FCC范圍判斷字符是否為漢字：

H:NO

e:NO

l:NO

l:NO

o:NO

使用UnicodeBlock方法判斷字符是否為漢字：

H:NO

e:NO

l:NO

l:NO

o:NO

使用UnicodeScript方法判斷字符是否為漢字：

H:NO

e:NO

l:NO

l:NO

o:NO

原字符串為：你好

使用0x4E00-0x9FCC范圍判斷字符是否為漢字：

你:YES

好:YES

使用UnicodeBlock方法判斷字符是否為漢字：

你:YES

好:YES

使用UnicodeScript方法判斷字符是否為漢字：

你:YES

好:YES

原字符串為：???

使用0x4E00-0x9FCC范圍判斷字符是否為漢字：

?:NO

?:NO

?:NO

使用UnicodeBlock方法判斷字符是否為漢字：

?:YES

?:YES

?:YES

使用UnicodeScript方法判斷字符是否為漢字：

?:YES

?:YES

?:YES

原字符串為：にほんご

使用0x4E00-0x9FCC范圍判斷字符是否為漢字：

に:NO

ほ:NO

ん:NO

ご:NO

使用UnicodeBlock方法判斷字符是否為漢字：

に:NO

ほ:NO

ん:NO

ご:NO

使用UnicodeScript方法判斷字符是否為漢字：

に:NO

ほ:NO

ん:NO

ご:NO

原字符串為：???

使用0x4E00-0x9FCC范圍判斷字符是否為漢字：

?:NO

?:NO

?:NO

使用UnicodeBlock方法判斷字符是否為漢字：

?:NO

?:NO

?:NO

使用UnicodeScript方法判斷字符是否為漢字：

?:NO

?:NO

?:NO

原字符串為：,.?!@#$%^&()

判斷是否為中文符號：

,:NO

.:NO?:NO!:NO

@:NO

#:NO

$:NO%:NO^:NO&:NO

(:NO

):NO

原字符串為：，。？！＠＃￥％……＆()

判斷是否為中文符號：

，:YES

。:YES

？:YES

！:YES

＠:YES

＃:YES

￥:YES

％:YES

…:YES

…:YES

＆:YES

(:YES

):YES

總結

以上是生活随笔為你收集整理的android 判断是否是标点符号_Java 中文字符判断 中文标点符号判断的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。