Возможные проблемы с реверсом String с использованием метода charAt

Ответ 1

Различные символы кодируются с разными номерами байтов (с использованием схемы UTF-16). Например, символ "A" представлен следующим образом:

01000001

Пока все хорошо.

Но если у вас есть символ 𝔴, у вас возникнет проблема. Его представление UTF-16 (BE):

11011000 00110101 11011101 00110100

И тогда charAt действительно может вернуть второй код для этого символа.

См. реализацию JDK 7 String#charAt:

public char charAt(int index) {
    if ((index < 0) || (index >= count)) {
        throw new StringIndexOutOfBoundsException(index);
    }
    return value[index + offset];
}

Ответ 2

В Java String по существу является массивом char. Аналогично, a char является кодовой точкой UCS-2 (UTF-16).

Есть две проблемы с этим:

• Не все символы могут быть выражены с помощью одной кодовой точки в UTF-16.
• Unicode поддерживает объединение символов.

Переупорядочивающие символы, которые являются частью любой из этих ситуаций, приведут к неправильному String.

StringBuilder reverse учитывает первую ситуацию, но я не знаю ничего, что учитывает второе.

Ответ 3

То, что сказано выше, верно, некоторые единицы кода требуют представления двух символов. Поскольку Java использует 16-битные символы, это встречается нечасто; но, строго говоря, любой код, который использует charAt (...), без учета того, является ли доступ к char частью двух модулей кода char, подвергает себя обработке символов.

Чтобы проверить, работаете ли вы с двумя блоками кода char, вы должны проверить, находится ли начальное значение от charAt(...) в диапазоне от 0xD800 до 0xDFFF; так как этот диапазон указывает на начало двух блоков кода char.

Ответ 4

Как указывают другие ответы, некоторые символы могут принимать несколько единиц кода, и вы получите недопустимые символы, если попытаетесь интерпретировать любой из этих кодовых блоков самостоятельно или в сочетании с другими блоками кода.

Еще одна вещь, которую следует иметь в виду, состоит в том, что наличие символа в 2-х кодовых единицах в вашей строке будет смещать все последующие индексы на единицу, так, например, десятый символ будет charAt(10) вместо charAt(9) - поэтому, даже если вы не пострадали от проблем с кодировкой самого символа, вы можете обнаружить, что вы извлекаете неправильный символ по индексу позже в строке.

Ответ 5

Строго говоря, да, есть проблема, как указано в причине, которую вы выделили. Проблема в том, что для некоторых символов может потребоваться более 1 char. Поэтому, используя String.charAt, когда вы меняете строку, у вас будет новый полуслучайный символ из-за переключения по порядку двух символов, которые составляют этот символ.

Но опять же, это, строго говоря,

Ответ 6

Существует множество распространенных ошибочных предположений о тексте, особенно если вы оставите нишу "только одной западной страны", которую вы используете при использовании юникода. Просто, чтобы начать некоторые релевантные пункты, особенно при работе с UTF-16:

• Кодовой точкой может быть несколько кодовых блоков.
• Символом может быть несколько кодовых точек.
• Кодовая точка может быть несколько символов.

Дополнительная значимость при обратном тексте - переопределения LTR и RTL, для которых требуется специальная обработка.

Я предлагаю вам прочитать принятый ответ Почему современный Perl избегает UTF-8 по умолчанию?, в частности, раздел предполагает нарушение, эта часть является языком программирования- агностик.

Ответ 7

Метод String.charAt безопасен (для некоторого определения "безопасный" ), но его можно использовать небезопасно, если ваша строка содержит символы вне Basic Многоязычный план, который имеет коды в диапазоне от 0 до 65535.

Вы можете реализовать разворот строк с помощью String.charAt - AbstractStringBuilder напрямую использовать char[], но это логически то же самое, что использовать String.charAt(). Он в основном реализует два прохода:

• Первый разворачивает символы, но также проверяет любые суррогатные пары
• Второй повторяет пары суррогатов.

Ответ 8

Самый простой пример для вашего вопроса - это символы UTF-8, такие как:..

charAt() будет легко возвращать символы ASCII, поскольку символы ASCII занимают 1 байт. С другой стороны, символы UTF-8/UTF-16 могут занимать несколько байтов, и поэтому вы можете получить неожиданный вывод.

Многие языки имеют алфавиты/символы в формате UTF-8, поэтому давайте скажем, если ваше приложение предоставит определенную локальную информацию, вы можете использовать символы utf-8, и charAt() в этом случае сработает.