如何在Delphi中获得文本的字符数(而不是字节数)

Question

我有一个Delphi 7应用程序，在那里我处理ANSI字符串，我需要计算它们的字符数(而不是字节数)。我总是知道与字符串相关联的字符集(以及代码页)。

因此，了解了字符集(代码页)，我目前正在使用MultiByteToWideChar来获取字符数。当字符集是中文、韩语或日语字符集之一，其中大多数字符的长度为2字节，并且简单地使用Length函数不会得到我想要的东西时，这很有用。

但是，它仍然将复合字符计算为两个字符，我需要将它们计算为一个字符。现在，一些复合字符有Unicode的预编译版本，由于默认情况下使用MB_PRECOMPOSED，这些字符将被正确地算作一个字符。但许多字符根本不作为预合成字符存在，例如希伯来语、阿拉伯语、泰语等中的字符，这些字符被算作两个。

所以真正的问题是：如何将复合字符算作单个字符我不介意将ANSI字符串转换为Wide字符串来计算字符数，无论如何，我已经在使用MultiByteToWideChar了。

Answer 1

您可以像这样计算Unicode代码点：

function CodePointCount(P: PWideChar): Integer;
var
Count: Integer;
begin
Count := 0;
while Word(P^)<>0 do
begin
if (Word(P^)>=$D800) and (Word(P^)<=$DFFF) then
// part of surrogate pair
inc(Count)
else 
inc(Count, 2);
inc(P);
end;  
Result := Count div 2;
end;

这涵盖了你没有提到的问题。也就是说，UTF-16是可变宽度编码。

但是，这不会告诉您由UTF-16字符串表示的字形的数量。这是因为有些代码点表示组合字符。这些组合字符与其相邻字符组合形成一个等效字符。所以，多个代码点，单个字形。更多信息可在此处找到：http://en.wikipedia.org/wiki/Unicode_equivalence

这是一个更困难的问题。为了解决这个问题，您的代码需要充分理解每个Unicode代码点的含义。它是一个组合字符吗？它是如何结合的？您确实需要一个专用的Unicode库。例如重症监护室。

我给你的另一个建议是放弃使用ANSI代码页。如果你真的关心国际化，那么你需要使用Unicode。