处理下一个字符（全Unicode代码点）从Java输入流的流

Question

我需要解析UTF-8通过输入字符（UTF-8码点，而不是Java的字符）流角色。什么是最好的方法呢？

问题的更新，以使其更清晰（感谢@skomisa）：所以下面的非流：

private static String replaceNonBPMWithUnknownCharacter(final String input) {
    StringBuilder result = new StringBuilder(input.length());
    input.codePoints().forEach((codePoint) -> {
        if (isBmpCodePoint(codePoint)) {
            result.append('\ufffd');
        } else {
            result.append(isBmpCodePoint(codePoint) ? toChars(codePoint) : REPLACEMENT_CHAR);
        }
    });
    return result.toString();
}


String result = replaceNonBPMWithUnknownCharacter("\uD83D\uDE0E? X")

我想有一个流版本，e.g：

InputStream stream = replaceNonBPMWithUnknownCharacter(new ByteArrayInputStream("\uD83D\uDE0E? Y".getBytes(UTF_8)))

它使用尽可能少的CPU和内存。下面的问题是类似的，但是非流：qazxsw POI。

最重要的是：我如何从流读取代码点？ （所以我怎样可以转换从我知道他们是UTF-8编码来编码点的一个流的字节流）。

Answer 1

首先需要注意的是：

• 的UTF-8字符可以由1，2，3或4字节序列组成。
• 在字符的字节数是通过在第一（或唯一）字节某些位设置决定。看到Read next character (full unicode code point) from Java input stream表详情3.6 UTF-8位分布。

所以总体做法是：

• 阅读的第一个字节并检查其位模式，以确定有多少字节的第一个字符。
• 阅读需要的第一个字符的任何后续字节。
• 创建基于包含该字符的字节的Unicode Specification，然后调用String以获得其代码点。
• 该代码点添加到String.codePointAt()。
• 重复所有后续字节，直到EOF之前的步骤。
• 返回List<Integer>作为码点流。

下面的代码，使用用于数据的可变字节长度的一些随机Unicode字符：

List<Integer>

下面是从运行它的输出。它只是列出了返回

import java.io.ByteArrayInputStream;
import java.nio.charset.StandardCharsets;
import java.util.ArrayList;
import java.util.List;
import java.util.stream.Stream;
import static java.nio.charset.StandardCharsets.UTF_8;

public class Main {

    public static void main(String[] args) {
        String text = "¢\uD841\uDF31\u30918औWあش";
        Stream<Integer> codePoints = Main.processByteStream(new ByteArrayInputStream(text.getBytes(UTF_8)));
        codePoints.forEach(System.out::println);
    }

    /**
     * Processes a stream of bytes, and returns a Stream of Unicode codepoints
     * associated with the characters derived from that byte stream.
     *
     * @param bais ByteArrayInputStream to be processed.
     * @return A stream of Unicode codepoints derived from UTF-8 characters in the supplied stream.
     */
    private static Stream<Integer> processByteStream(ByteArrayInputStream bais) {

        int nextByte = 0;
        byte b = 0;
        byte[] utf8Bytes = null;
        int byteCount = 0;
        List<Integer> codePoints = new ArrayList<>();

        while ((nextByte = bais.read()) != -1) {
            b = (byte) nextByte;
            byteCount = Main.getByteCount(b);
            utf8Bytes = new byte[byteCount];
            utf8Bytes[0] = (byte) nextByte;
            for (int i = 1; i < byteCount; i++) { // Get any subsequent bytes for this UTF-8 character.
                nextByte = bais.read();
                utf8Bytes[i] = (byte) nextByte;
            }
            int codePoint = new String(utf8Bytes, StandardCharsets.UTF_8).codePointAt(0);
            codePoints.add(codePoint);
        }
        return codePoints.stream();
    }

    /**
     * Returns the number of bytes in a UTF-8 character based on the bit pattern
     * of the supplied byte. The only valid values are 1, 2 3 or 4. If the
     * byte has an invalid bit pattern an IllegalArgumentException is thrown.
     *
     * @param b The first byte of a UTF-8 character.
     * @return The number of bytes for this UTF-* character.
     * @throws IllegalArgumentException if the bit pattern is invalid.
     */
    private static int getByteCount(byte b) throws IllegalArgumentException {
        if ((b >= 0)) return 1;                                             // Pattern is 0xxxxxxx.
        if ((b >= (byte) 0b11000000) && (b <= (byte) 0b11011111)) return 2; // Pattern is 110xxxxx.
        if ((b >= (byte) 0b11100000) && (b <= (byte) 0b11101111)) return 3; // Pattern is 1110xxxx.
        if ((b >= (byte) 0b11110000) && (b <= (byte) 0b11110111)) return 4; // Pattern is 11110xxx.
        throw new IllegalArgumentException(); // Invalid first byte for UTF-8 character.
    }
}

码点：

Stream<Integer>

笔记：

• 它可以直接从该字符，但

  C:\Java\openJDK\jdk-11.0.2\bin\java.exe -javaagent:C:\Users\johndoe\AppData\Local\JetBrains\Toolbox\apps\IDEA-U\ch-0\191.4738.6\lib\idea_rt.jar=60544:C:\Users\johndoe\AppData\Local\JetBrains\Toolbox\apps\IDEA-U\ch-0\191.4738.6\bin -Dfile.encoding=UTF-8 -classpath C:\Users\johndoe\IdeaProjects\Codepoint\out\production\Codepoint Main
  162
  132913
  12433
  56
  2324
  87
  12354
  1588
  
  Process finished with exit code 0

  的字节得到一个代码点。调用it is a convoluted process是效率较低，但更清洁的替代方法。
• 我无法生成无效数据。似乎任何无效的字节某种程度上会转换为U + FFFD（十进制65533），String.codePointAt()，因此引发the replacement character可能是没有必要的。