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,

Java 中文字符判断_第1张图片

 

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 " )); } } } }

你可能感兴趣的:(---自然语言处理,大数据与自然语言处理)