Javaで、文字列を一文字ずつに分解する (サロゲートペアや結合文字を考慮)

まとめ

Javaの標準APIで実現できる。
java.text.BreakIterator.getCharacterInstance() を使用すればよい。

なお、以下の文章における「文字」という語は、「書記素クラスター」(grapheme clusters) を意味している。

要件

• Javaの文字列 (UTF-16) を、「一文字ずつ」に分解(分割)したい。
• ただし、String#toCharArray() は使用できない。
  理由: UTF-16 で扱う文字の中には、単一の char (16ビット) に収まらない文字が存在するため。もし String#toCharArray() を使用してしまうと、一つの文字が 複数の char値 に分断されてしまう。
• たとえば、U+20BB7 (𠮷) は一文字だが、格納するためには char型の変数が2つ必要。
  char[] u_20bb7_tsuchiyoshi = { '\ud842', '\udfb7' }; /* 𠮷 */
  ※コードポイント (= UNICODE上での文字コード) が U+0FFFF より大きい文字は、
  サロゲートペア (Surrogate pair) を用いて表現される。
• さらに、単一の文字を、複数 (2つ以上) のコードポイントの組み合わせで表現する場合もある。
  • 結合文字 (Combining character)
  • 合成済み文字 (Precomposed character)
• たとえば、 は、
  一つの文字ではあるが 以下の 5つのコードポイントを結合した結果である。
  • U+0061 ( a ) LATIN SMALL LETTER A
  • U+0308 (  ̈ ) COMBINING DIAERESIS
  • U+0303 (  ̃ ) COMBINING TILDE
  • U+0323 (  ̣ ) COMBINING DOT BELOW
  • U+032D (  ̭ ) COMBINING CIRCUMFLEX ACCENT BELOW
  

---

(参考) BreakIterator による、文字列→文字への分解 ※無保証

public static List<String> graphemeClusters(String str) {
  final List<String>  result          = new ArrayList<String>(str.length());

  final BreakIterator breakIterator   = BreakIterator.getCharacterInstance();
  breakIterator.setText(str);

  int start = breakIterator.first();
  int end   = breakIterator.next();

  while (end != BreakIterator.DONE) {
      result.add(str.substring(start, end));

      start = end;
      end   = breakIterator.next();
  }
  return result;
}

/* 実行結果
graphemeClusters("abc")

= [	"a",	"b",	"c"	]
= [	\u0061,	\u0062,	\u0063	]

graphemeClusters("あいう")

= [	"あ",	"い",	"う"	]
= [	\u3042,	\u3044,	\u3046	]

graphemeClusters("𠮷野家")

= [	"𠮷",	"野",	"家"	]
= [	\ud842 \udfb7,	\u91ce,	\u5bb6	]

graphemeClusters("葛󠄁飾区")

= [	"葛󠄁",	"飾",	"区"	]
= [	\u845b \udb40 \udd01,	\u98fe,	\u533a	]

graphemeClusters("Åström")

= [	"Å",	"s",	"t",	"r",	"ö",	"m"	]
= [	\u0041 \u030a,	\u0073,	\u0074,	\u0072,	\u006f \u0308,	\u006d	]

graphemeClusters("ạ̭̈̃")

= [	"ạ̭̈̃"	]
= [	\u0061 \u0308 \u0303 \u0323 \u032d	]

*/

---

参考

• Unicode 9.0.0
  • 2.11 Combining Characters (PDF)
  • UAX #29: Unicode Text Segmentation