otra - Código de retorno del punto de caracteres en C#

substring c# ejemplos

Question

¿Cómo puedo devolver el Punto de Código Unicode de un personaje? Por ejemplo, si la entrada es "A", entonces la salida debería ser "U + 0041". Idealmente, una solución debería ocuparse de los pares sustitutos .

Con el punto de código me refiero al punto de código real según Unicode , que es diferente de la unidad de código (UTF8 tiene unidades de código de 8 bits, UTF16 tiene unidades de código de 16 bits y UTF32 tiene unidades de código de 32 bits, en este último caso el valor es igual al punto de código, después de tener en cuenta la endianness).

Answer 1

C # no puede almacenar puntos de código Unicode en un char , ya que char es de solo 2 bytes y los puntos de código Unicode generalmente superan esa longitud. La solución es representar un punto de código como una secuencia de bytes (como una matriz de bytes o "aplanada" en una primitiva de 32 bits) o como una cadena. La respuesta aceptada se convierte a UTF32, pero eso no siempre es lo ideal.

Este es el código que utilizamos para dividir una cadena en sus componentes de punto de código Unicode, pero conservando la codificación UTF-16 nativa. El resultado es un enumerable que se puede usar para comparar (sub) cadenas de forma nativa en C # / .NET:

    public class InvalidEncodingException : System.Exception
    { }

    public static IEnumerable<string> UnicodeCodepoints(this string s)
    {
        for (int i = 0; i < s.Length; ++i)
        {
            if (Char.IsSurrogate(s[i]))
            {
                if (s.Length < i + 2)
                {
                    throw new InvalidEncodingException();
                }
                yield return string.Format("{0}{1}", s[i], s[++i]);
            }
            else
            {
                yield return string.Format("{0}", s[i]);
            }
        }
    }
}

Answer 2

El siguiente código escribe los puntos de código de una entrada de string en la consola:

string input = "/uD834/uDD61";

for (var i = 0; i < input.Length; i += char.IsSurrogatePair(input, i) ? 2 : 1)
{
    var codepoint = char.ConvertToUtf32(input, i);

    Console.WriteLine("U+{0:X4}", codepoint);
}

Salida:

U+1D161

Como las cadenas en .NET están codificadas en UTF-16, los valores char que forman la cadena deben convertirse primero a UTF-32.

Answer 3

En realidad, hay algo de mérito en la respuesta de @Yogendra Singh, actualmente el único con voto negativo. El trabajo se puede hacer así.

    public static IEnumerable<int> Utf8ToCodePoints(this string s)
    {
        var utf32Bytes = Encoding.UTF32.GetBytes(s);
        var bytesPerCharInUtf32 = 4;
        Debug.Assert(utf32bytes.Length % bytesPerCharInUtf32 == 0);
        for (int i = 0; i < utf32bytes.Length; i+= bytesPerCharInUtf32)
        {
            yield return BitConverter.ToInt32(utf32bytes, i);
        }
    }

Probado con

    var surrogatePairInput = "abc💩";
    Debug.Assert(surrogatePairInput.Length == 5);
    var pointsAsString = string.Join(";" , 
        surrogatePairInput
        .Utf8ToCodePoints()
        .Select(p => $"U+{p:X4}"));
    Debug.Assert(pointsAsString == "U+0061;U+0062;U+0063;U+1F4A9");

El ejemplo es relevante porque la pila de poo se representa como un par suplente.

Answer 4

Encontré un pequeño método en el foro msdn . Espero que esto ayude.

    public int get_char_code(char character){ 
        UTF32Encoding encoding = new UTF32Encoding(); 
        byte[] bytes = encoding.GetBytes(character.ToString().ToCharArray()); 
        return BitConverter.ToInt32(bytes, 0); 
    } 

Answer 5

Fácil, ya que los caracteres en C # son en realidad puntos de código UTF16:

char x = ''A'';
Console.WriteLine("U+{0:x4}", (int)x);

Para abordar los comentarios, un char en C # es un número de 16 bits y contiene un punto de código UTF16. Los puntos de código por encima de 16 el espacio de bits no se puede representar en un carácter C #. Los caracteres en C # no son de ancho variable. Sin embargo, una cadena puede tener 2 caracteres seguidos, cada uno de los cuales es una unidad de código, formando un punto de código UTF16. Si tiene una entrada de cadena y caracteres por encima del espacio de 16 bits, puede usar char.IsSurrogatePair y Char.ConvertToUtf32 , como se sugiere en otra respuesta:

string input = ....
for(int i = 0 ; i < input.Length ; i += Char.IsSurrogatePair(input,i) ? 2 : 1)
{
    int x = Char.ConvertToUtf32(input, i);
    Console.WriteLine("U+{0:X4}", x);
}

Answer 6

public static string ToCodePointNotation(char c)
{

    return "U+" + ((int)c).ToString("X4");
}

Console.WriteLine(ToCodePointNotation(''a'')); //U+0061