Unicode

CJK (y CJKV) en Unicode se refiere a los ideogramas Han, es decir, los caracteres chinos (汉字) utilizados en chino, japonés, coreano y vietnamita. Para el nombre de script Unicode, no se refiere a los scripts fonéticos escritos como Katakana japonesa y Hiragana o Hangul coreano. Se dice que los ideogramas Han están unificados. Con esto significan que sólo hay un codigo Unicode para cada ideograma, sin importar el idioma en el que se use.

Esto significa que Unicode (y viceversa Android / Java) no proporciona ninguna forma de determinar el lenguaje basado en un único ideograma. Incluso los caracteres simplificados / tradicionales chinos no se diferencian fácilmente de la codificación. Esta es la misma idea de no ser capaz de saber si el carácter "a" pertenece al inglés, francés o español. Se necesita más contexto para determinar eso.

Sin embargo, puede utilizar la codificación Unicode para determinar Hiragana japonés / Katakana y Hangul coreano. Y la presencia de tales caracteres sería una buena indicación de que los ideógrafos Han cercanos pertenecen al mismo idioma.

Androide

Puede encontrar el código en algún índice con

 int codepoint = Character.codePointAt(myString, offset) 

Y si quisieras iterar a través de los codepoints en una cadena :

 final int length = myString.length(); for (int offset = 0; offset < length; ) { final int codepoint = Character.codePointAt(myString, offset); // use codepoint here offset += Character.charCount(codepoint); } 

Una vez que tenga el codepoint, puede buscar el bloque de código en el que está

 Character.UnicodeBlock block = Character.UnicodeBlock.of(codepoint); 

Y entonces usted puede usar el código para probar el ideograma o el lenguaje.

CJK

Escaneando los bloques de código Unicode, creo que estos cubren todos los ideogramas CJK. Si me perdí alguno, entonces no dude en editar mi respuesta o dejar un comentario.

 private boolean isCJK(int codepoint) { Character.UnicodeBlock block = Character.UnicodeBlock.of(codepoint); return ( Character.UnicodeBlock.CJK_UNIFIED_IDEOGRAPHS.equals(block)|| Character.UnicodeBlock.CJK_UNIFIED_IDEOGRAPHS_EXTENSION_A.equals(block) || Character.UnicodeBlock.CJK_UNIFIED_IDEOGRAPHS_EXTENSION_B.equals(block) || Character.UnicodeBlock.CJK_UNIFIED_IDEOGRAPHS_EXTENSION_C.equals(block) || // api 19 Character.UnicodeBlock.CJK_UNIFIED_IDEOGRAPHS_EXTENSION_D.equals(block) || // api 19 Character.UnicodeBlock.CJK_COMPATIBILITY.equals(block) || Character.UnicodeBlock.CJK_COMPATIBILITY_FORMS.equals(block) || Character.UnicodeBlock.CJK_COMPATIBILITY_IDEOGRAPHS.equals(block) || Character.UnicodeBlock.CJK_COMPATIBILITY_IDEOGRAPHS_SUPPLEMENT.equals(block) || Character.UnicodeBlock.CJK_RADICALS_SUPPLEMENT.equals(block) || Character.UnicodeBlock.CJK_STROKES.equals(block) || // api 19 Character.UnicodeBlock.CJK_SYMBOLS_AND_PUNCTUATION.equals(block) || Character.UnicodeBlock.ENCLOSED_CJK_LETTERS_AND_MONTHS.equals(block) || Character.UnicodeBlock.ENCLOSED_IDEOGRAPHIC_SUPPLEMENT.equals(block) || // api 19 Character.UnicodeBlock.KANGXI_RADICALS.equals(block) || Character.UnicodeBlock.IDEOGRAPHIC_DESCRIPTION_CHARACTERS.equals(block)); } 

Los que tienen comentarios (desplazarse a la derecha) sólo están disponibles desde el nivel API 19. Sin embargo, probablemente podrían eliminarse de forma segura si necesita admitir versiones anteriores ya que sólo se utilizan con poca frecuencia. Además, Unicode define una CJK Extension E, pero en el momento de escribir esto no es compatible con Android / Java. Si definitivamente necesita incluir todo, entonces puede comparar los codepoints con los rangos de bloques Unicode directamente. Este sitio es un lugar conveniente para navegar por ellos. También puede verlos en el sitio de Unicode .

Si no necesita soportar por debajo de la API 19, isIdeographic hace la prueba muy fácil (aunque no sé si devuelve exactamente los mismos coincidencias que el método anterior).

 private boolean isCJK(int codepoint) { return Character.isIdeographic(codepoint); } 

O éste para API 24+:

 private boolean isCJK(int codepoint) { return (Character.UnicodeScript.of(codepoint) == Character.UnicodeScript.HAN); } 

japonés

Para probar Hiragana o Katakana esto debería funcionar bien:

 private boolean isJapaneseKana(int codepoint) { Character.UnicodeBlock block = Character.UnicodeBlock.of(codepoint); return ( Character.UnicodeBlock.HIRAGANA.equals(block) || Character.UnicodeBlock.KATAKANA.equals(block) || Character.UnicodeBlock.KATAKANA_PHONETIC_EXTENSIONS.equals(block)); } 

O esto si usted está apoyando la API 24+:

 private boolean isJapaneseKana(int codepoint) { return (Character.UnicodeScript.of(codepoint) == Character.UnicodeScript.HIRAGANA || Character.UnicodeScript.of(codepoint) == Character.UnicodeScript.KATAKANA); } 

coreano

Para probar Hangul en APIs más bajas puedes usar

 private boolean isKoreanHangul(int codepoint) { Character.UnicodeBlock block = Character.UnicodeBlock.of(codepoint); return (Character.UnicodeBlock.HANGUL_JAMO.equals(block) || Character.UnicodeBlock.HANGUL_JAMO_EXTENDED_A.equals(block) || // api 19 Character.UnicodeBlock.HANGUL_JAMO_EXTENDED_B.equals(block) || // api 19 Character.UnicodeBlock.HANGUL_COMPATIBILITY_JAMO.equals(block) || Character.UnicodeBlock.HANGUL_SYLLABLES.equals(block)); } 

Elimine las líneas marcadas API 19 si es necesario.

O para API 24+:

 private boolean isKoreanHangul(int codepoint) { return (Character.UnicodeScript.of(codepoint) == Character.UnicodeScript.HANGUL); } 

Estudio adicional

• Scripts de Asia Oriental de Unicode
• Preguntas frecuentes de Unicode CJK
• Preguntas frecuentes sobre el coreano de Unicode
• Algún código fuente que muestra cómo funciona Character.UnicodeScript
• CJK Unified Ideographs