我正在努力获取Unicode字符串的计数，并尝试了各种选项。看起来像一个小问题，但以一种大的方式击中了。
在这里，我试图得到字符串str1的长度。我把它弄成6。但实际上它是3。将光标移到字符串“குமார்”上也会将其显示为 3 个字符。
基本上，我想测量长度并打印每个字符。像“கு”，“மா”，“ர்” 。
public class one {
public static void main(String[] args) {
String str1 = new String("குமார்");
System.out.print(str1.length());
}
}
PS ：这是泰米尔语。
找到了您的问题的解决方案。
基于这个SO答案，我制作了一个程序，该程序使用正则表达式字符类来搜索可能具有可选修饰符的字母。它将字符串拆分为单个（如有必要，请组合）字符，并将它们放入列表中：
import java.util.*;
import java.lang.*;
import java.util.regex.*;
class Main
{
public static void main (String[] args)
{
String s="குமார்";
List<String> characters=new ArrayList<String>();
Pattern pat = Pattern.compile("\\p{L}\\p{M}*");
Matcher matcher = pat.matcher(s);
while (matcher.find()) {
characters.add(matcher.group());
}
// Test if we have the right characters and length
System.out.println(characters);
System.out.println("String length: " + characters.size());
}
}
其中表示 Unicode 字母，表示 Unicode 标记。\\p{L}\\p{M}
代码段的输出为：
கு
மா
ர்
String length: 3
查看 https://ideone.com/Apkapn 以获取工作演示
编辑
我现在检查了我的正则表达式，其中包含从 http://en.wikipedia.org/wiki/Tamil_script 表中取出的所有有效的泰米尔语字母。我发现使用当前的正则表达式，我们无法正确捕获所有字母（Grantha复合表中最后一行中的每个字母都被拆分为两个字母），因此我将正则表达式细化为以下解决方案：
Pattern pat = Pattern.compile("\u0B95\u0BCD\u0BB7\\p{M}?|\\p{L}\\p{M}?");
使用这个模式而不是上面的模式，你应该能够将你的句子分成每个有效的泰米尔字母（只要维基百科的表格是完整的）。
我用于检查的代码如下：
String s = "ஃஅஆஇஈஉஊஎஏஐஒஓஔக்ககாகிகீகுகூகெகேகைகொகோகௌங்ஙஙாஙிஙீஙுஙூஙெஙேஙைஙொஙோஙௌச்சசாசிசீசுசூசெசேசைசொசோசௌஞ்ஞஞாஞிஞீஞுஞூஞெஞேஞைஞொஞோஞௌட்டடாடிடீடுடூடெடேடைடொடோடௌண்ணணாணிணீணுணூணெணேணைணொணோணௌத்ததாதிதீதுதூதெதேதைதொதோதௌந்நநாநிநீநுநூநெநேநைநொநோநௌப்பபாபிபீபுபூபெபேபைபொபோபௌம்மமாமிமீமுமூமெமேமைமொமோமௌய்யயாயியீயுயூயெயேயையொயோயௌர்ரராரிரீருரூரெரேரைரொரோரௌல்லலாலிலீலுலூலெலேலைலொலோலௌவ்வவாவிவீவுவூவெவேவைவொவோவௌழ்ழழாழிழீழுழூழெழேழைழொழோழௌள்ளளாளிளீளுளூளெளேளைளொளோளௌற்றறாறிறீறுறூறெறேறைறொறோறௌன்னனானினீனுனூனெனேனைனொனோனௌஶ்ஶஶாஶிஶீஶுஶூஶெஶேஶைஶொஶோஶௌஜ்ஜஜாஜிஜீஜுஜூஜெஜேஜைஜொஜோஜௌஷ்ஷஷாஷிஷீஷுஷூஷெஷேஷைஷொஷோஷௌஸ்ஸஸாஸிஸீஸுஸூஸெஸேஸைஸொஸோஸௌஹ்ஹஹாஹிஹீஹுஹூஹெஹேஹைஹொஹோஹௌக்ஷ்க்ஷக்ஷாக்ஷிக்ஷீக்ஷுக்ஷூக்ஷெக்ஷேக்ஷைஷொக்ஷோஷௌ";
List<String> characters = new ArrayList<String>();
Pattern pat = Pattern.compile("\u0B95\u0BCD\u0BB7\\p{M}?|\\p{L}\\p{M}?");
Matcher matcher = pat.matcher(s);
while (matcher.find()) {
characters.add(matcher.group());
}
System.out.println(characters);
System.out.println(characters.size() == 325);
查看规范化程序类。有一个解释可能是您的问题的原因。在 Unicode 中，您可以通过多种方式对字符进行编码，例如：Á
U+00C1 LATIN CAPITAL LETTER A WITH ACUTE
或
U+0041 LATIN CAPITAL LETTER A
U+0301 COMBINING ACUTE ACCENT
您可以尝试 使用 将字符串转换为组合形式，然后循环访问这些字符。Normalizer
编辑：根据上面@halex建议的文章，在Java中尝试以下操作：
String str = new String("குமார்");
ArrayList<String> characters = new ArrayList<String>();
str = Normalizer.normalize(str, Form.NFC);
StringBuilder charBuffer = new StringBuilder();
for (int i = 0; i < str.length(); i++) {
int codePoint = str.codePointAt(i);
int category = Character.getType(codePoint);
if (charBuffer.length() > 0
&& category != Character.NON_SPACING_MARK
&& category != Character.COMBINING_SPACING_MARK
&& category != Character.CONTROL
&& category != Character.OTHER_SYMBOL) {
characters.add(charBuffer.toString());
charBuffer.delete(0, charBuffer.length());
}
charBuffer.appendCodePoint(codePoint);
}
if (charBuffer.length() > 0) {
characters.add(charBuffer.toString());
}
System.out.println(characters);
我得到的结果是.如果它不适用于所有字符串，请尝试使用块中的其他 Unicode 字符类别。[கு, மா, ர்]if
