如何遍历字符串使组合字符与基字符保持绑定？

你的问题核心是：ɔ̃是由**基础字符ɔ（U+0254）和组合波浪号◌̃（U+0303）**组成的Unicode组合序列，它们属于同一个视觉字符（字形簇），但对应两个独立的Unicode代码点。你之前的遍历方式（按Char或代码点）都会拆分它们，因为这些方式是按编码单元/代码点处理，而非视觉上的完整字符。

要实现按4个视觉字符遍历，需要按**字形簇（Grapheme Cluster）**拆分字符串，这可以通过Java的BreakIterator工具类实现，以下是Kotlin的具体实现：

1. 实现字形簇遍历的扩展函数 #

import java.text.BreakIterator

fun String.graphemeClusters(): Iterable<String> {
    val graphemeIterator = BreakIterator.getCharacterInstance()
    graphemeIterator.setText(this)
    
    return object : Iterable<String> {
        override fun iterator(): Iterator<String> {
            return object : Iterator<String> {
                var startIndex = graphemeIterator.first()
                var endIndex = graphemeIterator.next()

                override fun hasNext(): Boolean {
                    return endIndex != BreakIterator.DONE
                }

                override fun next(): String {
                    val cluster = substring(startIndex, endIndex)
                    startIndex = endIndex
                    endIndex = graphemeIterator.next()
                    return cluster
                }
            }
        }
    }
}

2. 使用示例 #

fun main() {
    val str = "mɔ̃tr"
    str.graphemeClusters().forEach { cluster ->
        println(cluster)
    }
    // 输出结果：
    // m
    // ɔ̃
    // t
    // r
}

为什么之前的方法无效？ #

• String.map { ... }：按UTF-16编码单元（Char）遍历，组合波浪号是单独的Char，因此被拆分。
• 你的codePoints方法：按Unicode代码点遍历，ɔ̃由两个代码点组成，所以仍然会拆分成两个元素。

BreakIterator.getCharacterInstance()会严格遵循Unicode标准，将基础字符与关联的组合标记识别为一个完整的字形簇，从而实现你需要的视觉字符遍历效果。

内容的提问来源于stack exchange，提问作者Logan Murphy