最近在日誌數據清洗時遇到中文亂碼，如果只要有非中文字符就將該字符串過濾掉，這種方法雖簡單但並不可取，因爲比如像Xperia™主題、天天四川麻將Ⅱ這樣的字符串也會被過濾掉。
1. Unicode編碼
Unicode編碼是一種涵蓋了世界上所有語言、標點等字符的編碼方式，簡單一點說，就是一種通用的世界碼；其編碼範圍：U+0000 .. U+10FFFF。按Unicode硬編碼的區間進行劃分，Unicode編碼被分成若干個block ( Unicode block)；每一個Unicode編碼專屬於唯一的Unicode block，Unicode block之間互不重疊。從碼字的本身的屬性出發，Unicode編碼被分成了若干script ( Unicode script)；比如，與中文相關的字符、標點的scriptHan包括block如下：
CJK Radicals Supplement
Kangxi Radicals
CJK Symbols and Punctuation中的15個字符
CJK Unified Ideographs Extension A
CJK Unified Ideographs
CJK Compatibility Ideographs
CJK Unified Ideographs Extension B
CJK Unified Ideographs Extension C
CJK Unified Ideographs Extension D
CJK Unified Ideographs Extension E
CJK Compatibility Ideographs Supplement
其中，常見的中文字符在CJK Unified Ideographs block；此外，考慮繁體字及不常見字等，CJK還有A、B、C、D、E五個extension。Basic Latin block完整地包含了ASCII碼的控制字符、標點字符與英文字母字符。
2. Java的字符編碼
JDK完整實現Unicode的block與script：
Char c = '☎'
Character.UnicodeBlock ub = Character.UnicodeBlock.of(c)
Character.UnicodeScript uc = Character.UnicodeScript.of(c);</pre>
Java中的字符char內置的編碼方式是UTF-16，當char強轉成int類型時，其返回值是unicode編碼值，只有當getbyte時才返回的是utf-8編碼的byte：
<pre>String s = "\u00a0";
String.format("\\u%04x", (int) s.charAt(0)) // --> \u00a0
import org.apache.commons.codec.binary.Hex;
Hex.encodeHex(s.getBytes()) // --> c2a0
UTF-8是Unicode字符的變長前綴編碼的一種實現，二者之間的對應關係在這裏.現在我們回到開篇過濾中文亂碼的問題，有一個基本解決思路：
UTF-8是Unicode字符的變長前綴編碼的一種實現，二者之間的對應關係在這裏.現在我們回到開篇過濾中文亂碼的問題，有一個基本解決思路：
去掉各種標點字符、控制字符，
計算剩下字符中非中文字符所佔的比例，如果超過閾值，則認爲該字符串爲亂碼串
完整代碼如下：
public class ChineseUtill {
private static boolean isChinese(char c) {
Character.UnicodeScript sc = Character.UnicodeScript.of(c);
if (sc == Character.UnicodeScript.HAN) {
return true;
}
return false;
}
public static boolean isPunctuation(char c) {
Character.UnicodeBlock ub = Character.UnicodeBlock.of(c);
if ( // punctuation, spacing, and formatting characters
ub == Character.UnicodeBlock.GENERAL_PUNCTUATION
// symbols and punctuation in the unified Chinese, Japanese and Korean script
|| ub == Character.UnicodeBlock.CJK_SYMBOLS_AND_PUNCTUATION
// fullwidth character or a halfwidth character
|| ub == Character.UnicodeBlock.HALFWIDTH_AND_FULLWIDTH_FORMS
// vertical glyph variants for east Asian compatibility
|| ub == Character.UnicodeBlock.CJK_COMPATIBILITY_FORMS
// vertical punctuation for compatibility characters with the Chinese Standard GB 18030
|| ub == Character.UnicodeBlock.VERTICAL_FORMS
// ascii
|| ub == Character.UnicodeBlock.BASIC_LATIN
) {
return true;
} else {
return false;
}
}
private static Boolean isUserDefined(char c) {
Character.UnicodeBlock ub = Character.UnicodeBlock.of(c);
if (ub == Character.UnicodeBlock.NUMBER_FORMS
|| ub == Character.UnicodeBlock.ENCLOSED_ALPHANUMERICS
|| ub == Character.UnicodeBlock.LETTERLIKE_SYMBOLS
|| c == '\ufeff'
|| c == '\u00a0'
)
return true;
return false;
}
public static Boolean isMessy(String str) {
float chlength = 0;
float count = 0;
for(int i = 0; i < str.length(); i++) {
char c = str.charAt(i);
if(isPunctuation(c) || isUserDefined(c))
continue;
else {
if(!isChinese(c)) {
count = count + 1;
}
chlength ++;
}
}
float result = count / chlength;
if(result > 0.3)
return true;
return false;
}
}
爲了得到更爲完整的可接受的字符表，定義isUserDefined方法（具體字符表與日誌中的字符有關係）；加上了Number Forms、Enclosed Alphanumerics、Letterlike Symbols這三個block，以及\u00a0（Non-breaking space）字符與\ufeff（ZERO WIDTH NO-BREAK SPACE）字符。
作者：易霂
鏈接：https://www.jianshu.com/p/5590b8ef0dec
來源：簡書
著作權歸作者所有。商業轉載請聯繫作者獲得授權，非商業轉載請註明出處。
推薦閱讀：
StackOverflow熱帖：Java整數相加溢出怎麼辦？
