Java 中 UTF-16 到 ASCII 的转换

Question

一直忽略它，我目前正在强迫自己更多地了解 Java 中的 unicode。我需要做一个关于将 UTF-16 字符串转换为 8 位 ASCII 的练习。有人可以告诉我如何在 Java 中做到这一点吗？我知道你不能用 ASCII 表示所有可能的 unicode 值，所以在这种情况下，我希望无论如何都只是添加一个超过 0xFF 的代码（坏数据也应该默默地添加）。

谢谢！

Answer 1

您可以使用 java.nio 来获得简单的解决方案：

// first encode the utf-16 string as a ByteBuffer
ByteBuffer bb = Charset.forName("utf-16").encode(CharBuffer.wrap(utf16str));
// then decode those bytes as US-ASCII
CharBuffer ascii = Charset.forName("US-ASCII").decode(bb);

Answer 2

怎么样：

String input = ... // my UTF-16 string
StringBuilder sb = new StringBuilder(input.length());
for (int i = 0; i < input.length(); i++) {
    char ch = input.charAt(i);
    if (ch <= 0xFF) {
        sb.append(ch);
    }
}

byte[] ascii = sb.toString().getBytes("ISO-8859-1"); // aka LATIN-1

这可能不是对大字符串进行转换的最有效方法，因为我们复制字符两次。然而，它的优点是简单。

顺便说一句，严格来说，不存在 8 位 ASCII 这样的字符集。 ASCII 是一个 7 位字符集。 LATIN-1 是最接近“8 位 ASCII”字符集（Unicode 的块 0 相当于 LATIN-1），所以我假设这就是您的意思。

编辑：根据问题的更新，解决方案更加简单：

String input = ... // my UTF-16 string
byte[] ascii = new byte[input.length()];
for (int i = 0; i < input.length(); i++) {
    ascii[i] = (byte) input.charAt(i);
}

这个解决方案更有效。由于我们现在知道需要多少字节，因此我们可以预先分配字节数组并复制（截断的）字符，而无需使用 StringBuilder 作为中间缓冲区。

但是，我不相信以这种方式处理不良数据是明智的。

编辑2：还有一个更晦涩的“陷阱”。 Unicode 实际上将代码点（字符）定义为“大约 21 位”值...0x000000 到 0x10FFFF...并使用代理来表示代码> 0x00FFFF。换句话说，Unicode 代码点 > 0x00FFFF 实际上在 UTF-16 中表示为两个“字符”。我的回答或其他任何人都没有考虑到这一点（诚然是深奥的）。事实上，处理代码点>一般来说，Java 中的 0x00FFFF 相当棘手。这是因为“char”是 16 位类型，而 String 是根据“char”定义的。

编辑 3：对于处理未转换为 ASCII 的意外字符，也许更明智的解决方案是将它们替换为标准替换字符：

String input = ... // my UTF-16 string
byte[] ascii = new byte[input.length()];
for (int i = 0; i < input.length(); i++) {
    char ch = input.charAt(i);
    ascii[i] = (ch <= 0xFF) ? (byte) ch : (byte) '?';
}

Answer 3

Java 内部以 UTF-16 表示字符串。如果您开始使用 String 对象，则可以使用 String.getBytes(Charset c)，您可以在其中指定 US-ASCII（可以映射代码点 0x00-0x7f）或 ISO-8859-1（它可以映射代码点 0x00-0xff，并且可能就是您所说的“8 位 ASCII”）。

至于添加“坏数据”... ASCII 或 ISO-8859-1 字符串根本无法表示超出特定范围的值。我相信 getBytes 只会删除它无法在目标字符集中表示的字符。

Answer 4

由于这是一个练习，听起来您需要手动实现。您可以将编码（例如 UTF-16 或 ASCII）视为将字节序列与逻辑字符（代码点）相匹配的查找表。

Java 使用 UTF-16 字符串，这意味着任何给定的代码点都可以用一两个 char 变量表示。您是否想要处理两个char代理项对取决于您认为您的应用程序遇到它们的可能性（请参阅用于检测它们的字符类）。 ASCII 仅使用八位字节（字节）的前 7 位，因此有效范围值的范围是 0 到 127。UTF-16 对此范围使用相同的值（只是更宽）。这可以通过以下代码确认：

Charset ascii = Charset.forName("US-ASCII");
byte[] buffer = new byte[1];
char[] cbuf = new char[1];
for (int i = 0; i <= 127; i++) {
  buffer[0] = (byte) i;
  cbuf[0] = (char) i;
  String decoded = new String(buffer, ascii);
  String utf16String = new String(cbuf);
  if (!utf16String.equals(decoded)) {
    throw new IllegalStateException();
  }
  System.out.print(utf16String);
}
System.out.println("\nOK");

因此，您可以通过将 char 转换为 byte 将 UTF-16 转换为 ASCII。

您可以此处阅读有关 Java 字符编码的更多信息< /a>.

Answer 5

只是为了优化已接受的答案，并且如果字符串已经全部是 ascii 字符，则无需支付任何惩罚，这是优化版本。谢谢@stephen-c

public static String toAscii(String input) {
  final int length = input.length();
  int ignoredChars = 0;
  byte[] ascii = null;
  for (int i = 0; i < length; i++) {
    char ch = input.charAt(i);
    if (ch > 0xFF) {
      //-- ignore this non-ascii character
      ignoredChars++;
      if (ascii == null) {
        //-- first non-ascii character. Create a new ascii array with all ascii characters
        ascii = new byte[input.length() - 1];  //-- we know, the length will be at less by at least 1
        for (int j = 0; j < i-1; j++) {
          ascii[j] = (byte) input.charAt(j);
        }
      }
    } else if (ascii != null) {
      ascii[i - ignoredChars] = (byte) ch;
    }
  }
  //-- (ignoredChars == 0) is the same as (ascii == null) i.e. no non-ascii characters found
  return ignoredChars == 0 ? input : new String(Arrays.copyOf(ascii, length - ignoredChars));
}