Java: ¿Cómo obtener el nombre Unicode de un personaje (o su categoría de tipo)?

Question

La clase Character en Java define métodos que verifican un argumento dado char para la igualdad con ciertos caracteres Unicode o para pertenecer a alguna categoría de tipo. Estos caracteres y categorías de tipos se nombran.

Como se indica en javadoc dado, ejemplos de caracteres nombrados son
HORIZONTAL TABULATION, FORM FEED, ...;
ejemplo para categorías de tipos nombrados son
SPACE_SEPARATOR, PARAGRAPH_SEPARATOR, ...

Sin embargo, siendo byte o int valores en lugar de las enumeraciones, el nombre de este tipo son "oculta" en tiempo de ejecución.

Entonces, existe la posibilidad de obtener nombres de categorías de caracteres y/o tipos en tiempo de ejecución?

Answer 1

JDK7 tendrá una función

String getName(int codepoint) 

(LEA: un “método estático” en java.lang.Character clase) que a su vez un punto de código en su nombre oficial Unicode.

Javadoc: http://docs.oracle.com/javase/7/docs/api/java/lang/Character.html#getName%28int%29

Answer 2

Sí. Use la biblioteca ICU4J. Tiene todo el UCD y una API para sacarle todo el jugo.

Answer 3

La clase Character es compatible con la información de categoría. Mira Character.getType(char) para la categoría. Pero no creo, puedes obtener los nombres de los personajes.

Answer 4

Los nombres son standard y se pueden usar sujetos a ciertos limitations.

Answer 5

He publicado una aplicación .NET aquí: Finding out Unicode character name in .Net

Eso debe ser muy fácil de portar a Java. Todo lo que necesita es descargar la base de datos Unicode: http://www.unicode.org/Public/UNIDATA/UnicodeData.txt, y el equivalente de Java de un método de división de cadenas y una clase de diccionario, de los cuales estoy seguro existen en Java.

Esta es una alternativa simple a la descarga de una biblioteca inflada con toneladas de métodos Unicode que Java y .NET probablemente ya sean compatibles.

Answer 6

Para el nombre del personaje, se puede utilizar Character.getName(int). Sin embargo, para la categoría general no es tan conveniente:

// attach String names to Character constants 
Map<Byte, String> unicodeCategories = new HashMap<>(); 
unicodeCategories.put(Character.COMBINING_SPACING_MARK, "Mc"); 
unicodeCategories.put(Character.CONNECTOR_PUNCTUATION, "Pc"); 
unicodeCategories.put(Character.CONTROL, "Cc"); 
unicodeCategories.put(Character.CURRENCY_SYMBOL, "Sc"); 
unicodeCategories.put(Character.DASH_PUNCTUATION, "Pd"); 
unicodeCategories.put(Character.DECIMAL_DIGIT_NUMBER, "Nd"); 
unicodeCategories.put(Character.ENCLOSING_MARK, "Me"); 
unicodeCategories.put(Character.END_PUNCTUATION, "Pe"); 
unicodeCategories.put(Character.FINAL_QUOTE_PUNCTUATION, "Pf"); 
unicodeCategories.put(Character.FORMAT, "Cf"); 
unicodeCategories.put(Character.INITIAL_QUOTE_PUNCTUATION, "Pi"); 
unicodeCategories.put(Character.LETTER_NUMBER, "Nl"); 
unicodeCategories.put(Character.LINE_SEPARATOR, "Zl"); 
unicodeCategories.put(Character.LOWERCASE_LETTER, "Ll"); 
unicodeCategories.put(Character.MATH_SYMBOL, "Sm"); 
unicodeCategories.put(Character.MODIFIER_LETTER, "Lm"); 
unicodeCategories.put(Character.MODIFIER_SYMBOL, "Sk"); 
unicodeCategories.put(Character.NON_SPACING_MARK, "Mn"); 
unicodeCategories.put(Character.OTHER_LETTER, "Lo"); 
unicodeCategories.put(Character.OTHER_NUMBER, "No"); 
unicodeCategories.put(Character.OTHER_PUNCTUATION, "Po"); 
unicodeCategories.put(Character.OTHER_SYMBOL, "So"); 
unicodeCategories.put(Character.PARAGRAPH_SEPARATOR, "Zp"); 
unicodeCategories.put(Character.PRIVATE_USE, "Co"); 
unicodeCategories.put(Character.SPACE_SEPARATOR, "Zs"); 
unicodeCategories.put(Character.START_PUNCTUATION, "Ps"); 
unicodeCategories.put(Character.SURROGATE, "Cs"); 
unicodeCategories.put(Character.TITLECASE_LETTER, "Lt"); 
unicodeCategories.put(Character.UNASSIGNED, "Cn"); 
unicodeCategories.put(Character.UPPERCASE_LETTER, "Lu"); 
// use the map to extract category name from the constant 
char ch = 'a'; // OR int ch = Character.codePointAt("a", 0); 
String category = unicodeCategories.get((byte) (Character.getType(ch)));