JDK 17 源码阅读 - 数据类型 - 04 - Character

JDK 版本

以下代码均基于 JDK 17 版本。

Character 类是 char 的包装类，它提供了许多有用的方法来操作字符。

常量

Character 类中定义了很多常量，这也不难理解，毕竟世界上有很多种不同的语言和字符。

下面两个常量之前在字符串转数值时已经遇到过，分别表示自持的最小进制和最大进制。

// 数字和字符相互转换时所支持的最小进制
public static final int MIN_RADIX = 2;
// 数字和字符相互转换时所支持的最大进制
public static final int MAX_RADIX = 36;

下面这些常量是字符在 Unicode 规范中的通用分类。Unicode 规范中的通用分类主要是基于字符的语法和语义特性进行分类的。这些特性包括但不限于字符是否为大写字母、小写字母、数字、标点符号、控制字符等。

public static final byte UNASSIGNED = 0;
public static final byte UPPERCASE_LETTER = 1;
public static final byte LOWERCASE_LETTER = 2;
// ...
public static final byte INITIAL_QUOTE_PUNCTUATION = 29;
public static final byte FINAL_QUOTE_PUNCTUATION = 30;

下面这些常量是 Unicode 规范中的强双向字符类型，主要是根据字符的书写方向性进行分类的，在文本处理、排版和显示中具有重要作用。

public static final byte DIRECTIONALITY_UNDEFINED = -1;
public static final byte DIRECTIONALITY_LEFT_TO_RIGHT = 0;
public static final byte DIRECTIONALITY_RIGHT_TO_LEFT = 1;
public static final byte DIRECTIONALITY_RIGHT_TO_LEFT_ARABIC = 2;
// ...
public static final byte DIRECTIONALITY_FIRST_STRONG_ISOLATE = 21;
public static final byte DIRECTIONALITY_POP_DIRECTIONAL_ISOLATE = 22;

下面两个是最大值和最小值。从中也可以看出 char 型实例占用两个字节。

public static final char MIN_VALUE = '\u0000';
public static final char MAX_VALUE = '\uFFFF';

由于 char 最多占 2 个字节，所以最多表示 65536 个字符。在最初 Unicode 1.0 发布时，这个数量是足够的，但在后续加上世界上各种各样的语言后就完全不够了。

到这里需要介绍几个概念：代码单元、码点、代理码点（或者叫替代码点）。

码点是指在编码表中的某个字符对应的数字。对于 UTF-16 编码，码点的范围是 0x000000 到 0X10FFFF（对应 MIN_CODE_POINT 和 MAX_CODE_POINT 这两个常量），一共 1114112 个值。

在两个字节可以表示的范围内（\u0000 到 \uFFFF，即 BMP，基本多语言平面）的字符，每个字符用 16 位表示，通常被称为代码单元。而对于超出 \uFFFF 码点（MIN_SUPPLEMENTARY_CODE_POINT 常量就是来表示这个最小的码点）则采用一对连续的代码单元进行编码。

既然存在一个或两个代码单元表示一个码点的情况，那么如何区分这两种情况呢？

UTF-16 巧妙的利用了基本多语言平面中空闲的 2048 个值（U+D800 ~ U+DFFF，分别对应 MIN_SURROGATE 和 MAX_SURROGATE 这两个常量），这部分值通常被称为代理码点。U+D800 ~ U+DBFF 用于第一个代码单元（1024 个值），U+DC00 ~ U+DFFF 用于第二个代码单元（1024 个值）。一共可以表示最多 $2^{20} = 1048576$ 个码点，再加上基本多语言平面度的 65536 个字符，一共是 1114112 个字符。

public static final char MIN_HIGH_SURROGATE = '\uD800';
public static final char MAX_HIGH_SURROGATE = '\uDBFF';
public static final char MIN_LOW_SURROGATE  = '\uDC00';
public static final char MAX_LOW_SURROGATE  = '\uDFFF';
public static final char MIN_SURROGATE = MIN_HIGH_SURROGATE;
public static final char MAX_SURROGATE = MAX_LOW_SURROGATE;
public static final int MIN_SUPPLEMENTARY_CODE_POINT = 0x010000;
public static final int MIN_CODE_POINT = 0x000000;
public static final int MAX_CODE_POINT = 0X10FFFF;

这里以 Character.MIN_SUPPLEMENTARY_CODE_POINT 码点为例，查看其对应的代码单元的值：

Integer.toHexString(Character.toChars(Character.MIN_SUPPLEMENTARY_CODE_POINT)[0]); // d800
Integer.toHexString(Character.toChars(Character.MIN_SUPPLEMENTARY_CODE_POINT)[1]); // dc00

顺便说一下 UTF-8 编码，它也是一种变长编码，可以使用 1 - 4 个字节（也有说最多 6 个字节的，不太清楚什么情况下会有 6 个字节）表示一个字符。其编码规则类似，只是用的代理区域不同。

Subset & UnicodeBlock

Subset 类的实例表示 Unicode 字符集的特定子集。在 Character 类中定义的唯一子集系列是 Character.UnicodeBlock。

在 UnicodeBlock 类中定义了 Unicode 规范中的所有子集的名称以及对应的码点范围。