Java根据utf-8编码索引查找字符串的索引

考虑以下字符串：

String text="un’accogliente villa del.";

我有单词“

acogliente

”的开始索引，它是

5

。但它是基于

utf-8

编码预先计算的

---

我想要单词的确切索引，它是

3

，作为输出。也就是说，我想从5得到3作为输出。计算它的最佳方法是什么？

下面的代码将以

3

的形式返回输出我是否遗漏了您的问题

String text="un’accogliente villa del.";
text.indexOf("accogliente");

---

下面的代码将返回输出为

3

您的问题中我是否遗漏了什么

String text="un’accogliente villa del.";
text.indexOf("accogliente");

UTF-32是Unicode编码点，所有符号的编号为U+XXXX，其中可能有多于（或少于）4个十六进制数字

需要对文本进行规范化，因为

可以是一个代码点，也可以是两个代码点，一个零宽度
'
后跟一个
e

UTF-8字节索引到UTF-16字符索引的问题：

int charIndex = new String(text.getBytes(StandardCharsets.UTF_8),
                           0, byteIndex, StandardCharsets.UTF_8).length();

UTF-32是Unicode编码点，所有符号的编号为U+XXXX，其中可能有多于（或少于）4个十六进制数字

需要对文本进行规范化，因为
可以是一个代码点，也可以是两个代码点，一个零宽度
'
后跟一个
e

UTF-8字节索引到UTF-16字符索引的问题：

int charIndex = new String(text.getBytes(StandardCharsets.UTF_8),
                           0, byteIndex, StandardCharsets.UTF_8).length();

假设这个
startIndex
只能是一个字母（ASCII），您可以：

String text = "un’accogliente villa del.";
char c = text.charAt(5);
String normalized = Normalizer.normalize(text, Normalizer.Form.NFD);
normalized = normalized.replaceAll("[^\\p{ASCII}]", " ");

Pattern p = Pattern.compile("\\p{L}*?" + c + "\\p{L}*?[$|\\s]");
Matcher m = p.matcher(normalized);

if (m.find()) {
     System.out.println(m.start(0));
}

假设这个
startIndex
只能是一个字母（ASCII），您可以：

String text = "un’accogliente villa del.";
char c = text.charAt(5);
String normalized = Normalizer.normalize(text, Normalizer.Form.NFD);
normalized = normalized.replaceAll("[^\\p{ASCII}]", " ");

Pattern p = Pattern.compile("\\p{L}*?" + c + "\\p{L}*?[$|\\s]");
Matcher m = p.matcher(normalized);

if (m.find()) {
     System.out.println(m.start(0));
}

如果我理解正确，你为什么不使用indexOf
，它正确地给出了3？
“un'accogliente villa del.”。indexOf（“accogliente”）==3
我已经编辑了这个问题。我没有accogliente这个词。我只有utf-8的句子和索引，即5。根据这些值，我需要找到3@Eugeneso你有一个句子和一个startIndex=5。你想得到包含startIndex（
5
）的单词所在的索引吗？我有单词“accogliente”的开始索引，它是5，这是什么意思？投票以不清楚的方式结束……如果我理解正确，你为什么不使用indexOf

，它正确地给出了3？

“un'accogliente villa del.”。indexOf（“accogliente”）==3

我已经编辑了这个问题。我没有accogliente这个词。我只有utf-8的句子和索引，即5。根据这些值，我需要找到3@Eugeneso你有一个句子和一个startIndex=5。你想得到包含startIndex（

5

）的单词所在的索引吗？我有单词“accogliente”的开始索引，它是5，这是什么意思？投票决定以不清楚的方式结束……OP解释说这不是他想要的。是的……明白了@GlainsOP解释说这不是他想要的。是的……明白了@Glains@JoopEggenOP的要求似乎有点不同，他/她有一个

startIndex=5

，他必须找到包含该字母的单词（首先我假设），然后剥离非ascii字母，找到该单词所在的索引。我想这就是他想要的needs@TweetMan抱歉输入错误，

java.text.Normalizer

和

java.text.Normalizer.Form.NFKC

；对于这个问题，文本规范化并不是真的需要。@Eugene他提到UTF-8似乎表明5是

acco

的字节索引。特别是由于UTF-8中的特殊引号U+2019确实有3个字节长。@JoopEggen似乎OP的要求有点不同，他/她有一个

startIndex=5

，他必须找到包含该字母的单词（首先我假设），然后剥离非ascii字母找到该单词所在的索引。我想这就是他想要的needs@TweetMan抱歉输入错误，

java.text.Normalizer

和

java.text.Normalizer.Form.NFKC

；对于这个问题，文本规范化并不是真的需要。@Eugene他提到UTF-8似乎表明5是

acco

的字节索引。特别是特别报价U+2019在UTF-8中确实有3个字节长。