Java 中文字符判断 中文标点符号判断

时间:2021-12-23 14:52:45

Java Character 实现Unicode字符集介绍  CJK中文字符和中文标点判断

主要内容:

1. Java Character类介绍;

2. Unicode 简介及 UnicodeBlock 与 UnicodeScript区别和联系

3. 如何判断汉字及中文标点符号

做中文信息处理,经常会遇到如何判断一个字是否是中文,或者是否是中文的标点符号等。

在Java中,主要使用 Character类处理字符有关功能,而JDK 1.7中Character是按照Unicode 6.0版本实现的,所以这个要先学习下常用的 Unicode编码。

具体的定义、历史等请见 wikiwikipedia

Character 类中有3个静态内部类,

Modifier and Type http://http://www.cnblogs.com/zztt/admin/EditPosts.aspx?opt=1www.cnblogs.com/zztt/admin/EditPosts.aspx?opt=1Class and Description
static class  Character.Subset
Instances of this class represent particular subsets of the Unicode character set.
static class  Character.UnicodeBlock
A family of character subsets representing the character blocks in the Unicode specification.
static class  Character.UnicodeScript
A family of character subsets representing the character scripts defined in the Unicode Standard Annex #24: Script Names.

其中的UnicodeBlock 和 UnicodeScript类可以帮助我们判断字符类型,

UnicodeBlock是Unicode标准协会组织unicode码的一个基本单位,实际上一个 UnicodeBlock代表一片连续的Unicode号码段,UnicodeBlock之间不重叠。例如,通常我们利用Unicode编码是否在 0x4E00–0x9FCC 来判断某字符是否为汉字,就是因为,有个UnicodeBlock 专门划分为存储汉字 (准确的说是 CJK统一汉字),这个UnicodeBlock叫做 CJK Unified Ideographs,总共定义了 74,617 个汉字。

当然还有其他很多UnicodeBlock,例如,对于汉字还有4个扩展 UnicodeBlock,CJK Unified Ideographs Extension A, B, C, D 分别都扩展了一些我们平时见都没见过的汉字(如果不是专门的古籍数字化,Unicode字符集中的汉字普通交流够了)

Unicode中一种Script通常就是一个字符或者其他书写符号的集合,代表着一种或多种writing systems (这里暂且翻译为文书类型,文书类型细分可以分成不同语言)。有些Script仅支持一种文字类型,有些可以支持多种,例如 Latin Script 支持 supports English, French, German, Italian, Vietnamese, Latin 等等,具体可见wikipedia,

http://en.wikipedia.org/wiki/Scripts_in_Unicode

UnicodeBlock 与 UnicodeScript 关系:

所以UnicodeScript 是从语言书写规则层次对Unicode字符的分类,这是用使用角度划分,而UnicodeBlock是从硬的编码角度划分。

1. UnicodeBlock是简单的数值范围 (其中可能有些Block中会有一些尚未分配字符的“空号”)。

2. 在一个UnicodeScript中的字符可能分散在多个UnicodeBlock中;

3. 一个UnicodeBlock中的字符可能会被划进多个UnicodeScript中。

另外需要注意的是UnicodeScript实现是在Java 7中新引入的。

具体在编写程序中,可以游2种办法,一是使用 UnicodeBlock,请见代码:

    //使用UnicodeBlock方法判断
public boolean isChineseByBlock(char c) {
Character.UnicodeBlock ub = Character.UnicodeBlock.of(c);
if (ub == Character.UnicodeBlock.CJK_UNIFIED_IDEOGRAPHS
|| ub == Character.UnicodeBlock.CJK_UNIFIED_IDEOGRAPHS_EXTENSION_A
|| ub == Character.UnicodeBlock.CJK_UNIFIED_IDEOGRAPHS_EXTENSION_B
|| ub == Character.UnicodeBlock.CJK_UNIFIED_IDEOGRAPHS_EXTENSION_C
|| ub == Character.UnicodeBlock.CJK_UNIFIED_IDEOGRAPHS_EXTENSION_D
|| ub == Character.UnicodeBlock.CJK_COMPATIBILITY_IDEOGRAPHS
|| ub == Character.UnicodeBlock.CJK_COMPATIBILITY_IDEOGRAPHS_SUPPLEMENT) {
return true;
} else {
return false;
}
}

或者如果使用JDK1.7,那么UnicodeScript方法会更方便,因为UnicodeScript.HAN 包括了上面所列的5个UnicodeBlock:

    //使用UnicodeScript方法判断
public boolean isChineseByScript(char c) {
Character.UnicodeScript sc = Character.UnicodeScript.of(c);
if (sc == Character.UnicodeScript.HAN) {
return true;
}
return false;
}

类似的,扩展开去还可以判别中文标点符号。

因为中文的标点符号主要存在于以下5个UnicodeBlock中,

U2000-General Punctuation (百分号,千分号,单引号,双引号等)

U3000-CJK Symbols and Punctuation ( 顿号,句号,书名号,〸,〹,〺 等;PS: 后面三个字符你知道什么意思吗? : )    )

UFF00-Halfwidth and Fullwidth Forms ( 大于,小于,等于,括号,感叹号,加,减,冒号,分号等等)

UFE30-CJK Compatibility Forms  (主要是给竖写方式使用的括号,以及间断线﹉,波浪线﹌等)

UFE10-Vertical Forms (主要是一些竖着写的标点符号,    等等)

    // 根据UnicodeBlock方法判断中文标点符号
public boolean isChinesePunctuation(char c) {
Character.UnicodeBlock ub = Character.UnicodeBlock.of(c);
if (ub == Character.UnicodeBlock.GENERAL_PUNCTUATION
|| ub == Character.UnicodeBlock.CJK_SYMBOLS_AND_PUNCTUATION
|| ub == Character.UnicodeBlock.HALFWIDTH_AND_FULLWIDTH_FORMS
|| ub == Character.UnicodeBlock.CJK_COMPATIBILITY_FORMS
|| ub == Character.UnicodeBlock.VERTICAL_FORMS) {
return true;
} else {
return false;
}
}

最后上测试代码:

import java.util.regex.Pattern;

/**
* author: Tong
* Date: 11/16/13
* Time: 10:42 PM
*/
public class CharClassifier { public static void main(String[] args) {
CharClassifier classifier = new CharClassifier();
String[] strings = new String[]{"Hello", "你好", "㐀㐂㐄", "にほんご", "조선어",",.?!@#$%^&()", ",。?!@#¥%……&()"}; for (int i = 0; i < strings.length; i++) {
String str = strings[i];
System.out.println("原字符串为:" + str);
char[] chars = str.toCharArray(); if (i < 5) {
System.out.println("使用0x4E00-0x9FCC范围判断字符是否为汉字:");
for (char aChar : chars) {
System.out.println(aChar + ":" + (classifier.isChineseByRange(String.valueOf(aChar)) ? "YES" : "NO"));
} System.out.println("使用UnicodeBlock方法判断字符是否为汉字:");
for (char aChar : chars) {
System.out.println(aChar + ":" + (classifier.isChineseByBlock(aChar) ? "YES" : "NO"));
} System.out.println("使用UnicodeScript方法判断字符是否为汉字:");
for (char aChar : chars) {
System.out.println(aChar + ":" + (classifier.isChineseByScript(aChar) ? "YES" : "NO"));
}
} else {
System.out.println("判断是否为中文符号:");
for (char aChar : chars) {
System.out.println(aChar + ":" + (classifier.isChinesePunctuation(aChar) ? "YES" : "NO"));
} }
}
} //使用UnicodeBlock方法判断
public boolean isChineseByBlock(char c) {
Character.UnicodeBlock ub = Character.UnicodeBlock.of(c);
if (ub == Character.UnicodeBlock.CJK_UNIFIED_IDEOGRAPHS
|| ub == Character.UnicodeBlock.CJK_UNIFIED_IDEOGRAPHS_EXTENSION_A
|| ub == Character.UnicodeBlock.CJK_UNIFIED_IDEOGRAPHS_EXTENSION_B
|| ub == Character.UnicodeBlock.CJK_UNIFIED_IDEOGRAPHS_EXTENSION_C
|| ub == Character.UnicodeBlock.CJK_UNIFIED_IDEOGRAPHS_EXTENSION_D
|| ub == Character.UnicodeBlock.CJK_COMPATIBILITY_IDEOGRAPHS
|| ub == Character.UnicodeBlock.CJK_COMPATIBILITY_IDEOGRAPHS_SUPPLEMENT) {
return true;
} else {
return false;
}
} //使用UnicodeScript方法判断
public boolean isChineseByScript(char c) {
Character.UnicodeScript sc = Character.UnicodeScript.of(c);
if (sc == Character.UnicodeScript.HAN) {
return true;
}
return false;
} // 根据UnicodeBlock方法判断中文标点符号
public boolean isChinesePunctuation(char c) {
Character.UnicodeBlock ub = Character.UnicodeBlock.of(c);
if (ub == Character.UnicodeBlock.GENERAL_PUNCTUATION
|| ub == Character.UnicodeBlock.CJK_SYMBOLS_AND_PUNCTUATION
|| ub == Character.UnicodeBlock.HALFWIDTH_AND_FULLWIDTH_FORMS
|| ub == Character.UnicodeBlock.CJK_COMPATIBILITY_FORMS
|| ub == Character.UnicodeBlock.VERTICAL_FORMS) {
return true;
} else {
return false;
}
} // 使用Unicode编码范围来判断汉字;这个方法不准确,因为还有很多汉字不在这个范围之内
public boolean isChineseByRange(String str) {
if (str == null) {
return false;
}
Pattern pattern = Pattern.compile("[\\u4E00-\\u9FCC]+");
return pattern.matcher(str.trim()).find();
} }

程序输出:

原字符串为:Hello
使用0x4E00-0x9FCC范围判断字符是否为汉字:
H:NO
e:NO
l:NO
l:NO
o:NO
使用UnicodeBlock方法判断字符是否为汉字:
H:NO
e:NO
l:NO
l:NO
o:NO
使用UnicodeScript方法判断字符是否为汉字:
H:NO
e:NO
l:NO
l:NO
o:NO
原字符串为:你好
使用0x4E00-0x9FCC范围判断字符是否为汉字:
你:YES
好:YES
使用UnicodeBlock方法判断字符是否为汉字:
你:YES
好:YES
使用UnicodeScript方法判断字符是否为汉字:
你:YES
好:YES
原字符串为:㐀㐂㐄
使用0x4E00-0x9FCC范围判断字符是否为汉字:
㐀:NO
㐂:NO
㐄:NO
使用UnicodeBlock方法判断字符是否为汉字:
㐀:YES
㐂:YES
㐄:YES
使用UnicodeScript方法判断字符是否为汉字:
㐀:YES
㐂:YES
㐄:YES
原字符串为:にほんご
使用0x4E00-0x9FCC范围判断字符是否为汉字:
に:NO
ほ:NO
ん:NO
ご:NO
使用UnicodeBlock方法判断字符是否为汉字:
に:NO
ほ:NO
ん:NO
ご:NO
使用UnicodeScript方法判断字符是否为汉字:
に:NO
ほ:NO
ん:NO
ご:NO
原字符串为:조선어
使用0x4E00-0x9FCC范围判断字符是否为汉字:
조:NO
선:NO
어:NO
使用UnicodeBlock方法判断字符是否为汉字:
조:NO
선:NO
어:NO
使用UnicodeScript方法判断字符是否为汉字:
조:NO
선:NO
어:NO
原字符串为:,.?!@#$%^&()
判断是否为中文符号:
,:NO
.:NO
?:NO
!:NO
@:NO
#:NO
$:NO
%:NO
^:NO
&:NO
(:NO
):NO
原字符串为:,。?!@#¥%……&()
判断是否为中文符号:
,:YES
。:YES
?:YES
!:YES
@:YES
#:YES
¥:YES
%:YES
…:YES
…:YES
&:YES
(:YES
):YES