Java 中文字符判断

主要摘要自：

 http://www.cnblogs.com/zztt/p/3427452.html  Java 中文字符判断 中文标点符号判断

http://blog.csdn.net/chy555chy/article/details/51938914  ASCII (包括Java中2种表示ASCII的方式)

https://en.wikipedia.org/wiki/CJK_Unified_Ideographs   CJK编码规范

 

其他相关：

http://blog.csdn.net/z69183787/article/details/53162015  Java 完美判断中文字符

 

 

Java Character 实现Unicode字符集介绍  CJK中文字符和中文标点判断

主要内容：

1. Java Character类介绍；

2. Unicode 简介及 UnicodeBlock 与 UnicodeScript区别和联系

3. 如何判断汉字及中文标点符号

做中文信息处理，经常会遇到如何判断一个字是否是中文，或者是否是中文的标点符号等。

在Java中，主要使用 Character类处理字符有关功能，而JDK 1.7中Character是按照Unicode 6.0版本实现的，所以这个要先学习下常用的 Unicode编码。

具体的定义、历史等请见 wikiwikipedia

Character 类中有3个静态内部类，

 

其中的UnicodeBlock 和 UnicodeScript类可以帮助我们判断字符类型，

UnicodeBlock是Unicode标准协会组织unicode码的一个基本单位，实际上一个 UnicodeBlock代表一片连续的Unicode号码段，UnicodeBlock之间不重叠。例如，通常我们利用Unicode编码是否在 0x4E00–0x9FCC 来判断某字符是否为汉字，就是因为，有个UnicodeBlock 专门划分为存储汉字 (准确的说是 CJK统一汉字)，这个UnicodeBlock叫做 CJK Unified Ideographs，总共定义了 74,617 个汉字。

当然还有其他很多UnicodeBlock，例如，对于汉字还有4个扩展 UnicodeBlock，CJK Unified Ideographs Extension A, B, C, D 分别都扩展了一些我们平时见都没见过的汉字(如果不是专门的古籍数字化，Unicode字符集中的汉字普通交流够了)

Unicode中一种Script通常就是一个字符或者其他书写符号的集合，代表着一种或多种writing systems （这里暂且翻译为文书类型，文书类型细分可以分成不同语言)。有些Script仅支持一种文字类型，有些可以支持多种，例如 Latin Script 支持 supportsEnglish,French,German,Italian,Vietnamese,Latin 等等，具体可见wikipedia，

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

UnicodeBlock 与 UnicodeScript 关系：

所以UnicodeScript 是从语言书写规则层次对Unicode字符的分类，这是用使用角度划分，而UnicodeBlock是从硬的编码角度划分。

1. UnicodeBlock是简单的数值范围 (其中可能有些Block中会有一些尚未分配字符的“空号”)。

2. 在一个UnicodeScript中的字符可能分散在多个UnicodeBlock中；

3. 一个UnicodeBlock中的字符可能会被划进多个UnicodeScript中。

 

另外需要注意的是UnicodeScript实现是在Java 7中新引入的。

具体在编写程序中，可以游2种办法，一是使用 UnicodeBlock，请见代码：

// 使用UnicodeBlock方法判断 public boolean isChineseByBlock( char c) { 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方法会更方便，因为UnicodeScript.HAN 包括了上面所列的5个UnicodeBlock：

// 使用UnicodeScript方法判断 public boolean isChineseByScript( char c) { Character.UnicodeScript sc = Character.UnicodeScript.of(c); if (sc == Character.UnicodeScript.HAN) { return true ; } return false ; }

 

类似的，扩展开去还可以判别中文标点符号。

因为中文的标点符号主要存在于以下5个UnicodeBlock中，

U2000-General Punctuation (百分号，千分号，单引号，双引号等)

U3000-CJK Symbols and Punctuation ( 顿号，句号，书名号，〸，〹，〺 等；PS: 后面三个字符你知道什么意思吗？ : )    )

UFF00-Halfwidth and Fullwidth Forms ( 大于，小于，等于，括号，感叹号，加，减，冒号，分号等等)

UFE30-CJK Compatibility Forms  (主要是给竖写方式使用的括号，以及间断线﹉，波浪线﹌等)

UFE10-Vertical Forms (主要是一些竖着写的标点符号，    等等)

// 根据UnicodeBlock方法判断中文标点符号 public boolean isChinesePunctuation( char c) { 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 ; } }

 

预备处理掉英文符号和中文符号：

public static String pre(String text){ StringBuilder sb = new StringBuilder(); for ( int i = 0 ; i < text.length(); i ++ ) { char ch = text.charAt(i); if ((ch < 33 || ch > 47 ) || ! isChinesePunctuation(ch)) sb.append(ch); } return sb.toString(); }

 

测试代码：

public static void main(String[] args) { CharClassifier classifier = new CharClassifier(); 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( " 原字符串为： " + str); char [] chars = str.toCharArray(); if (i < 5 ) { System. out .println( " 使用0x4E00-0x9FCC范围判断字符是否为汉字： " ); for ( char aChar : chars) { System. out .println(aChar + " : " + (classifier.isChineseByRange(String.valueOf(aChar)) ? " YES " : " NO " )); } System. out .println( " 使用UnicodeBlock方法判断字符是否为汉字： " ); for ( char aChar : chars) { System. out .println(aChar + " : " + (classifier.isChineseByBlock(aChar) ? " YES " : " NO " )); } System. out .println( " 使用UnicodeScript方法判断字符是否为汉字： " ); for ( char aChar : chars) { System. out .println(aChar + " : " + (classifier.isChineseByScript(aChar) ? " YES " : " NO " )); } } else { System. out .println( " 判断是否为中文符号： " ); for ( char aChar : chars) { System. out .println(aChar + " : " + (classifier.isChinesePunctuation(aChar) ? " YES " : " NO " )); } } } }