波斯语字符串序列化中String.contains匹配失败求助

我之前处理RTL（从右到左）语言字符串的时候，也碰到过一模一样的问题——明明视觉上字符串是包含关系，但contains()就是返回false，核心原因基本都是Unicode规范化不一致在搞鬼。

为什么会出现这个问题？ #

波斯语的部分字符存在两种Unicode表示形式：

• 一种是预组合字符：比如字符"ک"直接用单个码点U+06A9表示
• 另一种是基础字符+组合标记：用基础字符U+0643加上组合标记U+0650来表示，视觉上和预组合的"ک"完全一样，但底层编码是两个字符

contains()方法是严格匹配字符编码的，所以哪怕看起来一样，编码不同就匹配不上。

解决方案：统一Unicode规范化格式 #

Java自带的Normalizer类可以帮我们把字符串转换成统一的规范化形式，推荐用NFC（预组合形式），步骤如下：

1. 先导入Normalizer类：

import java.text.Normalizer;

2. 在匹配前对两个字符串做规范化处理：

@Override
public void onTextChanged(CharSequence charSequence, int i, int i1, int i2) {
    String s = charSequence.toString().trim();
    // 对目标字符串和搜索字符串做Unicode规范化
    String normalizedFirstName = Normalizer.normalize(structuresMain.get(i).getFirstName(), Normalizer.Form.NFC);
    String normalizedQuery = Normalizer.normalize(s, Normalizer.Form.NFC);
    
    if (normalizedFirstName.contains(normalizedQuery)) {
        // 执行你的业务逻辑
    }
}

如果还是不行？检查隐藏的控制字符 #

有时候波斯语字符串会混入双向控制字符（比如U+200E、U+200F），这些字符看不到，但会占用字符串长度，影响匹配。可以尝试移除这些控制字符：

// 移除所有不可见的控制字符
String cleanFirstName = normalizedFirstName.replaceAll("\\p{C}", "");
String cleanQuery = normalizedQuery.replaceAll("\\p{C}", "");

if (cleanFirstName.contains(cleanQuery)) {
    // 执行你的业务逻辑
}

先试试规范化的方法，绝大多数情况下这个就能解决问题了。

内容的提问来源于stack exchange，提问作者Atras