Java如何判断一个字符是否由两个UTF-16码点组成？

Java里的char类型采用UTF-16编码存储字符，对于Unicode码点超过U+FFFF的增补平面字符，会被拆分成两个char组成的代理对存储。比如你测试的字符𒌍（U+1230D），就被拆成了\uD808（高位代理）和\uDF0D（低位代理），单独打印这两个char时，因为它们本身不是有效的独立Unicode字符，所以会显示乱码。

怎么判断一个char属于代理对？ #

UTF-16的代理对有明确的数值范围和二进制特征：

• 高位代理：数值范围是0xD800到0xDBFF，二进制格式为110110xx xxxxxxxx
• 低位代理：数值范围是0xDC00到0xDFFF，二进制格式为110111xx xxxxxxxx

Java的Character类已经封装好了现成的判断方法，直接调用即可：

• Character.isHighSurrogate(char c)：判断当前char是否是高位代理
• Character.isLowSurrogate(char c)：判断当前char是否是低位代理
• Character.isSurrogate(char c)：判断当前char是否是代理对中的任意一个

示例代码 #

用这段代码可以正确识别代理对并获取完整码点：

String s = "\uD808\uDF0D";
for (int i = 0; i < s.length(); ) {
    char current = s.charAt(i);
    if (Character.isHighSurrogate(current)) {
        // 找到高位代理，必须和下一个char组合成完整字符
        char low = s.charAt(i + 1);
        int fullCodePoint = Character.toCodePoint(current, low);
        System.out.printf("找到代理对：高位0x%X，低位0x%X，对应完整码点U+%X%n", current, low, fullCodePoint);
        i += 2; // 跳过下一个char，因为已经组合过了
    } else {
        System.out.printf("单码点字符：0x%X%n", current);
        i += 1;
    }
}

UTF-16代理对的编码规则（翻译自相关维基内容） #

对于Unicode码点在U+010000到U+10FFFF之间的字符，UTF-16用两个16位单元表示，转换逻辑是：

1. 把目标码点减去0x10000，得到一个20位的数值（范围是0到0xFFFFF）
2. 将这个20位数值拆分为高10位和低10位两部分
3. 高10位加上0xD800，得到高位代理的数值
4. 低10位加上0xDC00，得到低位代理的数值

内容的提问来源于stack exchange，提问作者Felix