如何获取ICU UnicodeString的码点数量？为何部分字符length返回2？

嘿，这个问题其实是因为你搞混了ICU里UnicodeString::length()的实际含义——它返回的是UTF-16代码单元的数量，而不是你预期的Unicode码点总数！

具体来说：

• U+1F674属于Unicode的补充平面字符，这类字符在UTF-16编码里需要用代理对（两个16位的代码单元）来表示，所以length()返回2是完全符合UTF-16规则的；
• 而U+06B5是基本多语言平面（BMP）的字符，只需要一个UTF-16代码单元就能表示，所以length()返回1是正确的。

至于你调用的unescape()方法，在这里其实没起到任何修改作用——因为你的输入u8"\U0001F674"本身就是合法的UTF-8字符串，没有任何需要转义的序列（比如\uXXXX这种转义符），所以执行后字符串内容完全没变，代理对依然存在。

获取正确码点数量的两种方法 #

如果你需要统计字符串中的Unicode码点数量，ICU提供了专门的工具：

方法1：直接用countChar32() #

这是最省心的方式，专门用来返回字符串的码点总数：

UnicodeString ucs = UnicodeString::fromUTF8(StringPiece(u8"\U0001F674"));
size_t codepointCount = ucs.countChar32(); // 这里会返回1，和你预期一致

方法2：遍历码点（适合需要处理每个码点的场景） #

如果要逐个处理码点，可以用iterateCodePoints来遍历统计：

UnicodeString ucs = UnicodeString::fromUTF8(StringPiece(u8"\U0001F674"));
size_t count = 0;
UChar32 currentCodePoint;
int32_t position = 0;
// U_SENTINEL是遍历结束的标志
while ((currentCodePoint = ucs.iterateCodePoints(position)) != U_SENTINEL) {
    count++;
    // 这里可以对currentCodePoint做自定义处理
}
// 最终count的值为1

小技巧：快速判断是否有代理对 #

如果你想确认字符串里是否包含需要用代理对表示的字符，可以用hasSurrogates()：

bool containsSurrogates = ucs.hasSurrogates(); // 对于U+1F674，这里会返回true

内容的提问来源于stack exchange，提问作者Martin Perry