最近在处理Cocoa NSString时, 遇到一些字符编码的问题

最近在处理Cocoa NSString时, 遇到一些字符编码的问题, 从而引出一个遍历NSString每一个字符的"正确"方式! 很有趣.

NSString是UTF-16编码的, 也就是16位的unichar字符的序列. 所以, 一般遍历其每一个字符的方法就是:

for(int i=0; i<str.length; i++){
unichar ch = [str characterAtIndex: i];
}

但是, 我们平常书写的字符, 并不全部都是用唯一的一个16位字符来表示, 而是有一部分用两个16位字符来表示, 这就是surrogate pairs的概念. 如果还是用上面的方法遍历字符串, 就会出现"断字". 例如图中这个Apple Color Emoji的"THUMBS UP SIGN"字符, 其实是用2个16位unichar来表示, 它的Unicode是U+1F44D, 用(U+D83D U+DC4D)两个字符来表示.



还好, NSString的

rangeOfComposedCharacterSequencesForRange:

和

rangeOfComposedCharacterSequenceAtIndex:

两个方法可以用来处理这种情况. 所以, 真正正确的遍历NSString的每一个字符的方法就是这样了:

NSRange range;
for(int i=0; i<str.length; i+=range.length){
range = [str rangeOfComposedCharacterSequenceAtIndex:i];
NSString *s = [str attributedSubstringFromRange:range];
}

一次遍历一个子串, 而不是遍历一个unichar了.

相关资料:

Wikipedia: UTF-16
Apple开发者文档:
Characters and Grapheme Clusters

Related posts:

JavaScript+CSS实现数据表格条纹
iOS 正确接收 HTTP chunked 数据的方法
Cpy是如何打败Python的
SSDB存储集群
通过 HTTP POST 发送二进制数据

Posted by ideawu at 2013-06-12 12:26:39