统计特殊的UTF-8字符

Question

我正在寻找一种方法来计算由多个字符组成的特殊字符，但在网上找不到解决方案！

例如，我想对字符串"வாழைப்பழம“进行计数。它实际上由6个泰米尔语字符组成，但在本例中是9个字符，当我们使用常规方法来计算长度时。我想知道泰米尔语是唯一一种会导致这个问题的编码，是否有解决这个问题的方法。我目前正在尝试在C#中寻找解决方案。

预先感谢=)

Answer 1

使用StringInfo.LengthInTextElements

var text = "வாழைப்பழம";
Console.WriteLine(text.Length);                               // 9
Console.WriteLine(new StringInfo(text).LengthInTextElements); // 6

可以在String.Length的文档中找到对此行为的解释

Length属性返回此实例中的Char对象数，而不是Unicode字符数。原因是一个Unicode字符可能由多个Char表示。使用System.Globalization.StringInfo类处理每个Unicode字符，而不是每个Char。

Answer 2

一个小挑剔：.NET中的string使用UTF-16，而不是UTF-8。

当你谈论字符串的长度时，你可能会有几种不同的意思：

除了it isn't.

• Length in UTF-8/UTF-16 code 这是最常见的解释，它让你更接近现代，应该是处理字符串长度的方式，除了it isn‘t.

• Length in UTF-8/UTF-16 这是最常见的解释。从1派生。在这些编码中，某些字符需要不止一个代码单元，如果你不希望看到可见的“字符”(字形)，事情就会变得复杂。

这通常是人们说字符或字符串长度时的意思。

在您的例子中，您的困惑源于4.和3.3之间的差异。3.是C#使用的，4.是您所期望的。像泰米尔语这样的复杂脚本使用连字和变音符号。连字是将两个或多个相邻字符压缩成一个字形-在您的例子中，ழை是ழ和ை的连字-后者改变了前者的外观；வா也是这样的连字。变音符号是字母周围的装饰物，例如à中的重音符号或ப்上的圆点。

我提到的两种情况都会产生单个字形(您认为是单个字符)，但它们都需要两个实际的字符。因此，您最终在字符串中多了三个代码点。

需要注意的一件事:对于您的情况，2.和3.之间的区别是无关紧要的，但通常您应该记住这一点。