如何在Java中高效处理和编码Emoji表情,包括编码、解码和过滤方法

2024年 4月 29日 68.5k 0

Emoji表情(以及大多数Unicode字符)在存储到MySQL数据库时,通常需要确保数据库、表和列都使用支持Unicode的字符集和校对规则。最常用的Unicode字符集是utf8mb4,因为支持所有Unicode字符,包括Emoji表情。实际开发中,数据存储的时候需要对所有的Emoji表情进行UTF-8统一编码并且需要确保能在不同平台中进行解码和显示。

(基础知识)位、字节、字符

在Java中,位(bit)、字节(byte)和字符(char)是三种基本的数据单位,各自具有特定的概念和用途。

位(bit)是计算机存储和处理信息的最小单位,只能表示两种状态:0或1。在Java中,位并没有对应的基本数据类型,而是作为最小的信息单元用于表示和操作数据。位操作常用于位掩码、位字段和位运算等场景。

字节(byte)是计算机信息技术用于计量存储容量的一种计量单位,也是Java中最小的内存单元。由8个二进制位(bit)组成,可以表示2^8种不同的状态,0到255之间的整数值。字节类型用关键字byte表示。

字符(char)是Java中用来表示Unicode字符的数据类型。由16个二进制位(即2个字节)组成,可以表示更多的字符,包括英文字母、数字、标点符号、中文汉字以及其他特殊字符。字符类型用关键字char表示。

三者之间的主要区别在于其表示信息的粒度不同,位是最小的单位,字节次之,字符则相对较大。

UTF-8编码中,字节和字符对应关系

在UTF-8编码中,字节和字符的对应关系并不是一对一的固定关系,根据字符的不同而有所变化。UTF-8是一种可变长度的编码方式,设计目标是向后兼容ASCII字符集。

  • 对于ASCII字符集中的字符(0-127范围内的字符,包括英文字符、数字和一些控制字符),UTF-8编码与ASCII编码完全一致。这些字符在UTF-8编码中只占用1个字节。
  • 对于其他Unicode字符,UTF-8使用多字节的序列来表示。具体的字节数取决于字符的Unicode码点范围:
  • 对于U+0080到U+07FF范围内的字符(例如带有变音符号的拉丁字母等),UTF-8使用2个字节来表示。

    对于U+0800到U+FFFF范围内的字符(包括大部分常用的中日韩文字、东南亚文字、中东文字等),UTF-8使用3个字节来表示。

    对于U+10000到U+10FFFF范围内的字符(包括一些较为罕见的字符),UTF-8使用4个字节来表示。

    在UTF-8编码中,中文字符(包括简体和繁体)的编码通常占用3个字节,中文标点也占用3个字节。英文字符(包括大小写字母)和英文标点在UTF-8编码中则分别占用1个字节。

    String类的length()和codePointCount()的区别

    String类的length()和codePointCount()方法的主要区别在于计算字符串长度的方式不同。

  • 「计算单位」:length()方法返回的是字符串中的字符数,codePointCount()方法返回的是字符串中的Unicode码点数。
  • 「处理Unicode码点」:length()方法不能处理Unicode码点,codePointCount()方法可以处理。在处理包含Unicode补充字符(如某些表情符号或特殊字符)的字符串时,codePointCount()方法能够更准确地计算长度。
  • 「适用场景」:由于Unicode码点能够表示更广泛的字符集,codePointCount()方法在处理包含多种语言字符或特殊字符的字符串时更为适用。length()方法则更适用于处理ASCII字符集或不包含Unicode补充字符的字符串。
  • Emoji编解码

    对整段字符进行编码(正常字符串)

    try {
         //编码
        String encodeStr = URLDecoder.decode("字符串", StandardCharsets.UTF_8.name());
        //解码
        String decodeStr = URLDecoder.decode(encodeStr, StandardCharsets.UTF_8.name());
    } catch (UnsupportedEncodingException e) {
        e.printStackTrace();
    }

    Emoij表情进行单独编码,只对Emoji表情编码,其他字符不编码,只需处理Unicode码点即可,解码的时候直接对整段解码。

    public class EmojiUtils {

    /**
    * 对emoji表情单独编码
    */
    public static String escape(String src){
    //1.得到代码点数量,也即是实际字符数,注意和length()的区别
    //举例:
    //一个emoji表情是一个字符,codePointCount()是1,length()是2。
    //但是遇到过一个emoji表情居然带着空格符号,结果它的codePointCount()是2,length()也是2,实际上单独拎emoji来说,它的length()应该说是1才对了。
    //推测这就是它们是否属于增补字符范围内,length=2的是增补字符,length=1的不是。
    int cpCount = src.codePointCount(0, src.length());

    //2.得到字符串的第一个代码点index,和最后一个代码点index
    //举例:比如3个emoji表情,那么它的cpCount=3;firCodeIndex=0;lstCodeIndex=4
    //因为每个emoji表情length()是2,所以第一个是0-1,第二个是2-3,第三个是4-5
    int firCodeIndex = src.offsetByCodePoints(0, 0);
    int lstCodeIndex = src.offsetByCodePoints(0, cpCount - 1);

    StringBuilder sb = new StringBuilder();
    int index = firCodeIndex;
    while (index

    相关文章

    JavaScript2024新功能:Object.groupBy、正则表达式v标志
    PHP trim 函数对多字节字符的使用和限制
    新函数 json_validate() 、randomizer 类扩展…20 个PHP 8.3 新特性全面解析
    使用HTMX为WordPress增效:如何在不使用复杂框架的情况下增强平台功能
    为React 19做准备:WordPress 6.6用户指南
    如何删除WordPress中的所有评论

    发布评论