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

相关文章