我正在尝试将Java字符转换为JIS X 0208“ x-JIS0208”编码(或任何兼容的字符,例如EUC-JP,但不兼容Shift-JIS),但我希望正确处理统一(合并)的代码点。
例如,将高分配给this JISX0208 chart中第25行的第66列,并将相似字符while分类为未分配的代码点,将其与前者合并。我从维基百科引用:“ [](高)形式和较不常见的梯形结构(髙)都包含在同一代码点中”。
我在下面的代码中尝试了此方法,无论我尝试使用哪种编码,总是会遇到异常或未分配的字符占位符?
(ASCII或全角)。
有没有一种方法,也许是不同的结尾或完全不同的转换方法,所以这两个字符都返回相同的代码点?另外,是否有API可以找到此类字符,以便在转换之前可以合并它们?
static Charset charset1 = Charset.forName("x-JIS0208");
static Charset charset2 = Charset.forName("EUC-JP");
static Charset[] charsets = {charset1, charset2};
static CharBuffer in = CharBuffer.allocate(1);
public static void main(String[] args) throws Exception
{
CharsetEncoder[] encoders = new CharsetEncoder[charsets.length];
for (int i = 0; i < charsets.length; i++)
encoders[i] = charsets[i].newEncoder();
char[] testChars = {' ', 'A', '?', '亜', '唖', '蔭', '高', '髙'};
for (char ch : testChars)
{
System.out.print("'" + ch + "'\t(" + Integer.toHexString(ch) + ")\t=");
for (int i = 0; i < charsets.length; i++)
{
System.out.print("\t" + interpret(encode1(encoders[i], ch)));
System.out.print("\t" + interpret(encode2(charsets[i], ch)));
}
System.out.println();
}
}
private static String interpret(int i)
{
if (i == -1)
return "excepti";
if (i < 0x80)
return "'" + (char)i + "'";
return Integer.toHexString(i);
}
private static int encode1(CharsetEncoder encoder, char ch)
{
in.rewind();
in.put(ch);
in.rewind();
try
{
ByteBuffer out = encoder.encode(in);
if (out.limit() == 1)
return out.get(0) & 0xFF;
return out.get(1) & 0xFF | (out.get(0) & 0xFF) << 8;
}
catch (CharacterCodingException e)
{
return -1;
}
}
private static int encode2(Charset charset, char ch)
{
in.rewind();
in.put(ch);
in.rewind();
ByteBuffer out = charset.encode(in);
if (out.limit() == 1)
return out.get(0) & 0xFF;
return out.get(1) & 0xFF | (out.get(0) & 0xFF) << 8;
}
输出:
' ' (3000) = 2121 2121 a1a1 a1a1
'A' (ff21) = 2341 2341 a3c1 a3c1
'?' (ff1f) = 2129 2129 a1a9 a1a9
'亜' (4e9c) = 3021 3021 b0a1 b0a1
'唖' (5516) = 3022 3022 b0a2 b0a2
'蔭' (852d) = 307e 307e b0fe b0fe
'高' (9ad8) = 3962 3962 b9e2 b9e2
'髙' (9ad9) = excepti 2129 excepti '?'
注意:我只对转换单个字符感兴趣,而不是字符串或流,所以我实际上更喜欢另一种方法(如果存在),该方法不会为每次转换分配ByteBuffer。
最佳答案
不包含在JIS X 0208中,而是包含在Microsoft Windows代码页932(MS932)中。这是Shift JIS编码的变体,并且是JIS X 0208字符集的超集。
您应该为MS932使用名称“ Windows-31j”,例如:
Charset.forName("Windows-31j");
而不是
Charset.forName("x-JIS0208");
。编辑
像𨦇和铗(剪刀)这样的某些字符的映射表是从日本政府分发的,例如National Tax Agency(请参见
JIS縮退マップ(Ver.1.0.0)
)。但是这些映射表不包含字符
髙
。我认为这是因为髙
不包含在JIS X 0208和JIS X 0213中。因此,我认为您将必须手动将
髙
替换为高
(使用String#replaceAll()
),或者使用Charset
制作自己的自定义CharsetProvider
。