使用高/低代理计算java中的单词和字符？

我知道关于这个主题有一些这样的说法，但是所有的解决方案似乎都采用了一种不同于我在javascript中看到的一个例子的方法

下面是一个javascript示例，它统计文本字符串中键入的段落、句子、单词和字符，其中包括检查高/低替代项，以便具体计算字符数：

javascript版本

count(text);

function count(original) {
    var trimmed = original.replace(/[\u200B]+/, '').trim();
    return {
        paragraphs: trimmed ? (trimmed.match(/\n+/g) || []).length + 1 : 0,
        sentences: trimmed ? (trimmed.match(/[.?!…\n]+./g) || []).length + 1 : 0,
        words: trimmed ? (trimmed.replace(/['";:,.?¿\-!¡]+/g, '').match(/\S+/g) || []).length : 0,
        characters: trimmed ? _decode(trimmed.replace(/\s/g, '')).length : 0,
        all: _decode(original).length
    };
};

function _decode(string) {
    var output = [],
        counter = 0,
        length = string.length,
        value, extra;
    while (counter < length) {
        value = string.charCodeAt(counter++);
        if (value >= 0xD800 && value <= 0xDBFF && counter < length) {
            // High surrogate, and there is a next character.
            extra = string.charCodeAt(counter++);
            if ((extra & 0xFC00) === 0xDC00) {
                // Low surrogate.
                output.push(((value & 0x3FF) << 10) + (extra & 0x3FF) + 0x10000);
            } else {
                // unmatched surrogate; only append this code unit, in case the next
                // code unit is the high surrogate of a surrogate pair
                output.push(value, extra);
                counter--;
            }
        } else {
            output.push(value);
        }
    }
    return output;
}

计数（文本）；
函数计数（原始）{
var trimmed=原始。替换（/[\u200B]+/，''）.trim（）；
返回{
段落：修剪？（修剪。匹配（/\n+/g）| |[]）。长度+1:0，
句子：修剪？（修剪。匹配（/[.？！…\n]+//g）| |[]）。长度+1:0，
单词：trimmed？（trimmed.replace（/[“；：，.？\-！]+/g.）。match（/\S+/g）| |[]）。长度：0，
字符：修剪？\解码（修剪。替换（/\s/g'）。长度：0，
全部：_解码（原始）。长度
};
};
函数_解码（字符串）{
var输出=[]，
计数器=0，
length=string.length，
价值，额外；
while（计数器<长度）{
value=string.charCodeAt（计数器++）；
如果（value>=0xD800&&value因此，javascript版本所做的是，如果代理项对出现在正在解码的文本中，则将其作为一个字符进行读取。这在javascript中是可能的，因为根据javascript引擎的不同，允许使用代理项，并且UTF-16支持高代理项，这意味着使用到代码点对单个可见字符进行编码s、 为了正确计算长度，库会考虑额外的代码点，因此它们会被计算为一个

在Java中，您也会遇到类似的问题，除了在Java中，您可以有更多的编码方案。幸运的是，Java已经为包含高代理项的字符串返回了正确的长度。但是，如果您想分离组合的代码点，甚至删除它们，Java提供了（从文本中）的

string=Normalizer.normalize（string，Normalizer.Form.NFD）；

因此，javascript版本所做的是，如果代理项对出现在正在解码的文本中，则将其作为一个字符读取。这在javascript中是可能的，因为根据javascript引擎的不同，允许使用代理项，并且UTF-16支持高代理项，这意味着使用代码点对单个可见字符进行编码。要计算长度正确地说，库会考虑额外的代码点，因此它们被计算为一个

在Java中，您也会遇到类似的问题，除了在Java中，您可以有更多的编码方案。幸运的是，Java已经为包含高代理项的字符串返回了正确的长度。但是，如果您想分离组合的代码点，甚至删除它们，Java提供了（从文本中）的

string=Normalizer.normalize（string，Normalizer.Form.NFD）；