循环遍历Java字符串字符的规范方法——类似python for ch in string

比如我将string作为CNN 文本处理输入：

      float [] input = new float[maxLength]; // 1 sentence by maxLenWords
        // int[] input = new int[batchSize * maxLength]; // 1 sentence by maxLenWords
        int i = 0;
        final int length = subdomain.length();
        for (int offset = 0; offset < length; ) {
            final int codepoint = subdomain.codePointAt(offset);

            // do something with the codepoint
            if(vocabMap.containsKey(codepoint)) {
                input[i] = vocabMap.get(codepoint);
            } else {
                Log.e(TAG, "not found char in dict, check code point:" + codepoint + " subdomain:"+subdomain + " offset:" +offset);
            }
            i += 1;
            offset += Character.charCount(codepoint);
        }

其中，vocabMap为词汇表。构建方法：

         Gson gson = new GsonBuilder().setPrettyPrinting().create();
            Type type = new TypeToken<Map<String, Integer>>(){}.getType();
            Map<String,Integer> tmpMap = gson.fromJson(json, type);
            vocabMap = new HashMap<Integer, Integer>();
            maxLength = tmpMap.get("__MAX_DOC_LEN__");
            volcabSize = tmpMap.get("__VOLCAB_SIZE__");
            for (String s: tmpMap.keySet()) {
                if (getPointLength(s) == 1) {
                    vocabMap.put(s.codePointAt(0), tmpMap.get(s));
                } else {
                    Log.e(TAG, "****Check dict key:" + s + " point:" + s.codePointAt(0) + " point lenth=" + getPointLength(s));
                }
            }
            Log.e(TAG, "load dict OK. maxLength:" + maxLength + " volcabSize:" + volcabSize + " DictSize:" + (vocabMap.size()));        

注意每一次迭代都是int。

下面是详细解释：

循环遍历Java字符串的字符的规范方法：

final int length = s.length();
for (int offset = 0; offset < length; ) {
   final int codepoint = s.codePointAt(offset);

   // do something with the codepoint

   offset += Character.charCount(codepoint);
}

http://stackoverflow.com/questions/1527856/how-can-i-iterate-through-the-unicode-codepoints-of-a-java-string

 

Java 正确遍历字符串

from:http://blog.csdn.net/l294265421/article/details/47281023

 

Java字符串是一系列的Unicode字符序列，但是，它却常常被误认为是char序列。于是，我们经常这样来遍历字符串：

1. package testchar;
2. public class TestChar2 {
3. public static void main(String[] args) {
4. String s = "\u0041\u00DF\u6771\ud801\uDC00";
5. for(int i = 0; i < s.length(); i++) {
6. System.out.println(s.charAt(i));
7. }
8. }
9. }

然后，得到了意料之外的结果：

A

ß

東

?

?

之所以会这样，是因为Unicode字符和Java的char类型不能等同起来。实际上，Java中的char类型能表示的字符只是Unicode字符的子集，因为char只有16位，也就是说，它只能表示65536（2的16次方）个字符，但实际的Unicode字符数超过这个数字。在Java中，用UTF-16编码char和String中的字符，一个字符对应的编码值被称为一个代码点。有的代码点用16位编码，被称为一个代码单元，像char表示的那些字符；有的代码点用32位编码，也就是用两个连续的代码单元编码，如上文中的\ud801\uDC00。其实，我们遍历一个字符串，遍历的是这个字符串中所有代码点，而

s.length()

返回的是字符串s中代码单元的个数。当i对应的代码单元只是一个32位代码点的一部分时，

s.charAt(i)

也就不能像我们希望的那样工作了。

    package testchar;  

    /**
     * 正确遍历String
     *
     * @author yuncong
     *
     */
    public class TestChar {  

        public static void main(String[] args) {
            String s = "\u0041\u00DF\u6771\ud801\uDC00";
            // 获得字符串中代码点的数量
            int cpCount = s.codePointCount(0, s.length());
            for (int i = 0; i < cpCount; i++) {
                int index = s.offsetByCodePoints(0, i);
                int cp = s.codePointAt(index);
                if (!Character.isSupplementaryCodePoint(cp)) {
                    System.out.println((char) cp);
                } else {
                    System.out.println(cp);
                }
            }  

            System.out.println("-------------------");  

            for (int i = 0; i < s.length(); i++) {
                int cp = s.codePointAt(i);
                if (!Character.isSupplementaryCodePoint(cp)) {
                    System.out.println((char) cp);
                } else {
                    System.out.println(cp);
                    i++;
                }
            }  

            System.out.println("-------------------");  

            // 逆向遍历字符串
            for(int i = s.length() - 1; i >= 0; i--) {
                int cp = 0;
                // 当i等于0的时候，只剩下一个代码单元，不可能是辅助字符
                if (i == 0) {
                    cp = s.codePointAt(0);
                    System.out.println((char)cp);
                } else {
                    // 只有在i大于0的时候才可以退，并且
                    // 因为剩下的代码单元大于2，所以接下
                    // 来访问的两个代码单元可能表示辅助
                    // 字符；
                    // 退一个代码单元
                    i--;
                    cp = s.codePointAt(i);
                    if (Character.isSupplementaryCodePoint(cp)) {
                        System.out.println(cp);
                    } else {
                        // 如果cp不是辅助字符，就回到遍历的正常位置
                        i++;
                        cp = s.codePointAt(i);
                        System.out.println((char)cp);
                    }
                }
            }  

        }  

    }