Apenas complementando, a solução proposta com StringBuilder
funciona muito bem, mas há casos que não são cobertos, se levarmos em conta todas as possibilidades do Unicode.
Um exemplo é quando os caracteres são acentuados. Por exemplo, í
(a letra i
com acento agudo), segundo o Unicode, pode ser representada de duas maneiras:
- como o code point U+00ED (LATIN SMALL LETTER I WITH ACUTE) (
í
)
- como uma combinação de dois code points:
Code points são valores numéricos que o Unicode define para cada caractere. Para entender melhor, recomendo este artigo (em inglês) e esta pergunta (em português).
A primeira opção é chamada Normalization Form C (NFC) e a segunda, Normalization Form D (NFD) - ambas descritas aqui, e também há uma explicação nesta pergunta. Na forma NFD, o caractere que corresponde ao acento agudo (COMBINING ACUTE ACCENT) é aplicado ao caractere anterior (no caso, a letra i
- LATIN SMALL LETTER I), e quando você imprime a String
, ambos "se juntam", formando o í
.
É possível ter Strings
nas duas formas, e ao imprimí-las, ambas serão mostradas como í
. Mas internamente, os code points serão diferentes. O mesmo vale para os demais caracteres acentuados, como ô
, ã
e até mesmo caracteres que não são necessariamente acentuados, como o ç
, que na forma NFD resulta na letra c
seguida do caractere cedilha (COMBINING CEDILLA).
Saber disso é importante porque o método StringBuilder::reverse
inverte a ordem dos code points, o que significa que o resultado pode não ser o esperado, dependendo da forma que a String
está. Para mostrar o que acontece quando a String
está em NFD, vou usar a classe java.text.Normalizer
, para criar uma String
normalizada em NFD, e em seguida usarei o StringBuilder
para invertê-la:
// normalizar em NFD
String s = Normalizer.normalize("ímãs", Normalizer.Form.NFD);
System.out.println(s); // ímãs
s = new StringBuilder(s).reverse().toString();
System.out.println(s); // s̃aḿi
O método Normalizer::normalize
retorna a String
normalizada em NFD. Isso quer dizer que í
está internamente guardado como dois code points: a letra i
e o acento agudo. O mesmo vale para o ã
, que na forma NFD corresponde a dois code points: a letra a
e o til.
Repare que ao imprimir, esses code points são mostrados como se fossem uma coisa só (os caracteres í
, ã
). Mas ao inverter a String
, o til ficou em cima do s
e o acento ficou em cima do m
. Isso acontece porque o StringBuilder
inverteu todos os code points. Em outras palavras:
- Code points da
String
original (ímãs
) normalizada em NFD:
StringBuilder::reverse
inverte os codepoints:
Após a inversão feita por StringBuilder::reverse
, o acento agudo ficou depois da letra m
, por isso ele é aplicado nesta letra, e o i
fica sem acento. O mesmo vale para o til, que após a inversão, ficou depois do s
e por isso é aplicado nesta letra (e não no a
). Se o seu console não mostrar corretamente a saída, segue uma imagem de como ficou aqui:
O StringBuilder
só funcionará se a String
estiver normalizada em NFC, pois nesse caso os caracteres acentuados serão o í
(LATIN SMALL LETTER I WITH ACUTE) e o ã
(LATIN SMALL LETTER A WITH TILDE). Como eles são representados por apenas um único code point, o acento destes caracteres não "muda de lugar" após a chamada de StringBuilder::reverse
.
O problema é que você pode receber a String
em qualquer uma das formas, mas se você imprimí-la, sempre será mostrada como ímãs
. No exemplo acima eu forcei a String
para estar em NFD e por isso você pode achar que isso não vai acontecer em "condições normais", mas pode acontecer de um usuário copiar (Ctrl+C) um texto de algum lugar e colar (Ctrl+V) na sua aplicação, e se o texto original estiver em NFD, os acentos da String
invertida ficarão trocados. Não há como controlar isso (o texto original pode estar em qualquer outro programa que o usuário estiver usando, e o usuário sequer sabe se está em NFD ou NFC, porque na tela sempre é mostrado o acento corretamente) - veja um exemplo neste link (copie e cole as palavras mañana
(NFC) e mañana
(NFD), e veja a diferença).
Então uma solução seria usar o método Normalizer::isNormalized
para verificar se a String
está normalizada em NFC, e caso não esteja, normalizá-la antes de invertê-la:
// inverte a String mantendo os acentos
if (! Normalizer.isNormalized(s, Normalizer.Form.NFC)) { // se não está em NFC, normaliza
s = Normalizer.normalize(s, Normalizer.Form.NFC);
}
s = new StringBuilder(s).reverse().toString(); // sãmí
Com isso, os acentos são preservados nos caracteres corretos e o resultado é sãmí
(se quiser, pode chamar normalize
direto, pois caso a string já esteja em NFC, ela não será alterada). Mas isso ainda não resolve todos os casos.
Emojis
Emojis adicionam uma nova camada de complexidade nessa história. E como o seu uso é cada vez mais comum, é importante saber trabalhar com eles.
Geralmente os emojis correspondem a um code point, mas nem sempre é o caso. Os emojis de famílias, por exemplo, são combinações de outros emojis. Por exemplo, uma família com pai, mãe e 2 filhas é na verdade uma combinação do emoji de um homem, uma mulher e dois emojis de menina. Para juntá-los, é usado o caractere ZERO WIDTH JOINER (também chamado apenas de ZWJ - e essas sequências de emojis separados por ZWJ são chamados de Emoji ZWJ Sequences).
Ou seja, o emoji de "família com pai, mãe e 2 filhas" é na verdade uma sequência de sete code points:
Esta sequência de codepoints pode ser mostrada de diferentes maneiras. Se o sistema/programa usado reconhece esta sequência, é mostrada uma única imagem da família:
Mas se esta sequência não é suportada, os emojis são mostrados um ao lado do outro:
Independente de como são mostrados, por ser uma sequência que pode corresponder a um único símbolo, não podemos trocar a ordem dos code points, pois aí ele deixa de ser interpretado como a Emoji ZWJ Sequence de "família com pai, mãe e 2 filhas". E se usarmos StringBuilder::reverse
(mesmo se normalizarmos para NFC, conforme sugerido acima), a ordem destes code points será trocada para "GIRL, ZWJ, GIRL, ZWJ, WOMAN, ZWJ, MAN" e não teremos mais o "emoji de família".
Existem ainda outras sequências que não são separadas por ZWJ, como os emojis de bandeiras dos países. Em vez de criar um code point para cada bandeira de cada país existente no mundo, foram criados símbolos indicadores de região (Regional Indicator Symbols), que são caracteres que correspondem às letras de A a Z (não são as letras propriamente ditas, são caracteres correspondentes a estas letras, mas que ficam em outro bloco do Unicode).
Os códigos seguem a definição da ISO 3166, na qual cada país possui um código com 2 letras. A Austrália, por exemplo, tem o código "AU", então para fazer o emoji da bandeira da Austrália, basta pegar os caracteres correspondentes às letras "A" e "U" nos Regional Indicator Symbols, que no caso são:
Com isso, os sistemas/programas podem mostrar estes 2 code points como a bandeira da Austrália:
Ou, caso esta não seja suportada, mostra-se uma representação dos próprios caracteres:
Se o seu console não suporta nem a representação destes caracteres, pode ser que ele só mostre ?
ou quadrados em branco.
Independente de como é mostrado, os dois Regional Indicator Symbols correspondem a um único "caractere" (a um único "desenho na tela"), e deveriam ser tratados como se fossem uma coisa só.
Porém, se usarmos StringBuilder::reverse
, os code points são invertidos e o resultado são os Regional Indicator Symbols correspondentes a "UA". E como "UA" é o código da Ucrânia, o emoji resultante é a bandeira da Ucrânia:
// Bandeira da Austrália
int[] cp = { 0x1f1e6, 0x1f1fa };
String australia = new String(cp, 0, cp.length);
System.out.println(australia); // Bandeira da Austrália
String s = new StringBuilder( // normalização não muda nada neste caso
Normalizer.normalize(australia, Normalizer.Form.NFC))
// inverte os codepoints, passando a ser "UA" em vez de "AU"
.reverse().toString();
System.out.println(s); // Bandeira da Ucrânia
Caso seu console não seja compatível com emojis, segue uma imagem de como seria a saída deste código:
Ou, no caso dos emojis de bandeiras não serem suportados, pode ser que a saída seja:
Para que isso não aconteça, os dois Regional Indicator Symbols ("A" e "U") deveriam ser tratados como se fossem uma coisa só, mas com StringBuilder
isso não é possível.
Tecnicamente, a sequência de dois Regional Indicator Symbols representa o país/região (não necessariamente a bandeira em si), mas muitos sistemas costumam mostrar as respectivas bandeiras quando estes caracteres são impressos.
Enfim, além dos casos já citados, há muitos outros previstos no Unicode, nos quais dois ou mais code points são interpretados como um único "caractere". O nome dado para estas sequências é Grapheme Cluster.
Como StringBuilder::reverse
simplesmente inverte os code points, sem considerar se eles são parte de um Grapheme Cluster, a solução para inverter corretamente uma String
é mais complicada do que simplesmente chamar este método.
Uma opção de solução é ler o documento do Unicode que descreve os Grapheme Clusters e implementá-lo. Deixo isso como exercício para o leitor 😉
Outra opção é ver se alguém mais inteligente já fez isso. Um exemplo é este projeto no GitHub, que achei bem interessante, pois reconhece Emoji ZWJ Sequences e emojis de bandeiras como um único Grapheme Cluster. Com isso é possível capturar esses clusters e inverter a String
corretamente.
Um exemplo de código com esta API:
import com.github.bhamiltoncx.UnicodeGraphemeParsing;
import com.github.bhamiltoncx.UnicodeGraphemeParsing.Result;
// criar uma String com vários Grapheme Clusters
int[] cp = {
// emoji de família
0x1f468, 0x200d, 0x1f469, 0x200d, 0x1f467, 0x200d, 0x1f467,
// bandeira da Austrália
0x1f1e6, 0x1f1fa,
// outros emojis
0x1f4a9, 0x1f4b0 };
String s = new String(cp, 0, cp.length)
// juntar com caracteres acentuados na forma NFD
+ Normalizer.normalize("áñabc", Normalizer.Form.NFD);
System.out.println(s); // Mostrar a String original (antes de inverter)
// obter os Grapheme Clusters
List<Result> graphemeClusters = UnicodeGraphemeParsing.parse(s);
Collections.reverse(graphemeClusters); // inverter a lista de Grapheme Clusters
// construir a String invertida
StringBuilder reverse = new StringBuilder();
for (UnicodeGraphemeParsing.Result grapheme : graphemeClusters) {
// obter o trecho da String que corresponde ao Grapheme Cluster
String str = s.substring(grapheme.stringOffset, grapheme.stringOffset + grapheme.stringLength);
reverse.append(str);
}
String invertida = reverse.toString();
System.out.println(invertida);
O método UnicodeGraphemeParsing::parse
obtém a lista de grapheme clusters de uma String
. Em seguida, eu uso Collections.reverse
para inverter esta lista, e percorro-a, guardando os respectivos trechos da String
em um StringBuilder
, para no final ter a String
invertida. A saída do código é:
Lembrando que, caso seu console não tenha suporte a ZWJ Sequences ou bandeiras, a família pode ser mostrada como 4 emojis (homem, mulher, 2 meninas) e a bandeira pode ser mostrada como os próprios Regional Indicator Symbols, conforme já mencionado anteriormente. Mas o importante é que estas sequências são tratadas como se fossem uma coisa só, não ocorrendo os problemas já citados (trocar a bandeira e desfazer a ZWJ Sequence).
Para efeito de comparação, veja o resultado com StringBuilder::reverse
, normalizando para NFC e NFD:
System.out.println("NFC:" + new StringBuilder(Normalizer.normalize(s, Normalizer.Form.NFC)).reverse().toString());
System.out.println("NFD:" + new StringBuilder(Normalizer.normalize(s, Normalizer.Form.NFD)).reverse().toString());
A saída é:
Repare que a conversão para NFC só corrige os acentos, mas nenhuma das formas previne o problema de inverter os code points da bandeira e da ZWJ Sequence.
Regex
Caso não queira usar uma biblioteca externa, a partir do Java 9 é possível usar \X
para verificar um Unicode extended grapheme cluster - que é explicado em detalhes aqui.
Porém, nos testes que fiz, ele não reconhece uma Emoji ZWJ Sequence, pois usando \X
, cada emoji da sequência é considerado um Grapheme Cluster separado. Os emojis de bandeiras, porém, são reconhecidos corretamente. Usando como exemplo a mesma String
do exemplo anterior:
int[] cp = {
// emoji de família
0x1f468, 0x200d, 0x1f469, 0x200d, 0x1f467, 0x200d, 0x1f467,
// bandeira da Austrália
0x1f1e6, 0x1f1fa,
// outros emojis
0x1f4a9, 0x1f4b0 };
String s = new String(cp, 0, cp.length)
// juntar com caracteres acentuados na forma NFD
+ Normalizer.normalize("áñabc", Normalizer.Form.NFD);
Pattern p = Pattern.compile("\\X");
Matcher m = p.matcher(s);
while (m.find()) {
System.out.println(m.group());
}
Neste exemplo estou procurando todos os Grapheme Clusters com \X
(lembrando que dentro de Strings
a barra invertida é escrita como \\
). O resultado, porém, mostra cada emoji da ZWJ Sequence separadamente (a bandeira, porém, está correta):
No Java 13 melhorou um pouco, mas ainda não está perfeito: o \X
reconhece os emojis de homem e mulher como um Grapheme Cluster, e os dois emojis de menina como outro (em vez de considerar tudo uma coisa só).
Uma solução seria tentar modificar a regex para pegar uma ZWJ Sequence ou um \X
:
Pattern p = Pattern.compile("\\p{InMiscellaneous_Symbols_and_Pictographs}(?:\\u200d\\p{InMiscellaneous_Symbols_and_Pictographs})*|\\X");
\p{InMiscellaneous_Symbols_and_Pictographs}
serve para pegar qualquer code point que esteja no bloco Miscellaneous Symbols and Pictographs (clique no link e veja que a lista é grande). Em seguida eu vejo se depois há uma ou mais ocorrências de ZWJ (\u200d
) seguido de outro símbolo do bloco Miscellaneous Symbols and Pictographs. Usando esta regex, o Grapheme Cluster de família é reconhecido como se fosse um único "caractere".
Depois bastaria guardar os resultados de m.group()
em uma lista, invertê-la e construir a String
invertida:
List<String> grafemas = new ArrayList<>();
while(m.find()) {
grafemas.add(m.group());
}
Collections.reverse(grafemas);
String invertida = String.join("", grafemas);
Com isso, a String
invertida fica igual à do exemplo anterior com UnicodeGraphemeParsing::parse
. Mas há um porém.
O bloco Miscellaneous Symbols and Pictographs não contém todos os emojis. Há vários que estão em outros blocos, como o coração, que está no bloco Dingbats, e muitos outros espalhados por outros blocos, como o Bloco Emoticons, que contém os smiles e outros símbolos (além disso, há blocos podem ter outros caracteres que não são emojis). Enfim, tentar fazer uma regex que contemple todos os emojis possíveis não é tão simples assim. Outra opção é se limitar somente às ZWJ Sequences descritas no Unicode, fazendo uma regex que contemple somente aquelas sequências (mesmo assim é um trabalho considerável).
Java <= 8
No Java 8 não há suporte ao \X
, mas encontrei uma alternativa nesta resposta do SOen. Infelizmente, não é nada simples:
String extendedGraphemeCluster = "(?:(?:\\u000D\\u000A)|(?:[\\u0E40\\u0E41\\u0E42\\u0E43\\u0E44\\u0EC0\\u0EC1\\u0EC2\\u0EC3\\u0EC4\\uAAB5\\uAAB6\\uAAB9\\uAABB\\uAABC]*(?:[\\u1100-\\u115F\\uA960-\\uA97C]+|([\\u1100-\\u115F\\uA960-\\uA97C]*((?:[[\\u1160-\\u11A2\\uD7B0-\\uD7C6][\\uAC00\\uAC1C\\uAC38]][\\u1160-\\u11A2\\uD7B0-\\uD7C6]*|[\\uAC01\\uAC02\\uAC03\\uAC04])[\\u11A8-\\u11F9\\uD7CB-\\uD7FB]*))|[\\u11A8-\\u11F9\\uD7CB-\\uD7FB]+|[^[\\p{Zl}\\p{Zp}\\p{Cc}\\p{Cf}&&[^\\u000D\\u000A\\u200C\\u200D]]\\u000D\\u000A])[[\\p{Mn}\\p{Me}\\u200C\\u200D\\u0488\\u0489\\u20DD\\u20DE\\u20DF\\u20E0\\u20E2\\u20E3\\u20E4\\uA670\\uA671\\uA672\\uFF9E\\uFF9F][\\p{Mc}\\u0E30\\u0E32\\u0E33\\u0E45\\u0EB0\\u0EB2\\u0EB3]]*)|(?s:.))";
Fiz um teste com esta regex e infelizmente ela não reconhece os emojis de bandeira como se fosse um único Grapheme Cluster (cada Regional Indicator Symbol é considerado um cluster separado) - além de também quebrar a ZWJ Sequence em vários emojis, da mesma forma que \X
. Ou seja, além de tentar entender esta regex, você ainda terá que modificá-la para contemplar estes casos. Uma tentativa:
String extendedGraphemeCluster = "(?:(?:\\u000D\\u000A)|(?:[\\u0E40\\u0E41\\u0E42\\u0E43\\u0E44\\u0EC0\\u0EC1\\u0EC2\\u0EC3\\u0EC4\\uAAB5\\uAAB6\\uAAB9\\uAABB\\uAABC]*(?:[\\u1100-\\u115F\\uA960-\\uA97C]+|([\\u1100-\\u115F\\uA960-\\uA97C]*((?:[[\\u1160-\\u11A2\\uD7B0-\\uD7C6][\\uAC00\\uAC1C\\uAC38]][\\u1160-\\u11A2\\uD7B0-\\uD7C6]*|[\\uAC01\\uAC02\\uAC03\\uAC04])[\\u11A8-\\u11F9\\uD7CB-\\uD7FB]*))|[\\u11A8-\\u11F9\\uD7CB-\\uD7FB]+|[^[\\p{Zl}\\p{Zp}\\p{Cc}\\p{Cf}&&[^\\u000D\\u000A\\u200C\\u200D]]\\u000D\\u000A])[[\\p{Mn}\\p{Me}\\u200C\\u200D\\u0488\\u0489\\u20DD\\u20DE\\u20DF\\u20E0\\u20E2\\u20E3\\u20E4\\uA670\\uA671\\uA672\\uFF9E\\uFF9F][\\p{Mc}\\u0E30\\u0E32\\u0E33\\u0E45\\u0EB0\\u0EB2\\u0EB3]]*)|(?s:.))";
String zwjSequence = "\\p{InMiscellaneous_Symbols_and_Pictographs}(?:\\u200d\\p{InMiscellaneous_Symbols_and_Pictographs})*";
String flag = "[\\x{1f1e6}-\\x{1f1ff}]{2}";
// regex com ZWJ Sequence, ou sequência de bandeira, ou grapheme cluster
Pattern p = Pattern.compile(zwjSequence + "|" + flag + "|" + extendedGraphemeCluster);
Com isso, as ZWJ Sequences e os emojis de bandeiras são reconhecidos como um único Grapheme Cluster (com todos os poréns já mencionados antes, sobre o bloco Miscellaneous Symbols and Pictographs não ter todos os emojis), mas infelizmente não funciona para caracteres coreanos: por exemplo, o caractere 각
na forma NFD é composto por 3 codepoints: ᄀ
(HANGUL CHOSEONG KIYEOK), ᅡ
(HANGUL JUNGSEONG A) e ᆨ
(HANGUL JONGSEONG KIYEOK ). Mas a regex acima não reconhece estes 3 code points como um único Grapheme Cluster. Já as soluções anteriores (UnicodeGraphemeParsing::parse
e \X
do Java 9) reconhecem este Grapheme Cluster corretamente.
Nesse caso, eu acho melhor partir para uma biblioteca, como a que indiquei acima - não testei para todos os casos possíveis, como por exemplo caracteres de idiomas diferentes (testei somente com caracteres japoneses e coreanos e funcionou), mas tudo depende dos seus casos de uso.
Isso não quer dizer que a solução com StringBuilder::reverse
está errada. Se você só está lidando com caracteres ASCII (ou com textos em português/inglês/qualquer idioma que use o alfabeto latino), basta lembrar de normalizar a String
para NFC que não terá problemas (talvez haja um caso ou outro, vai saber, mas para a maioria dos casos que só usam ASCII deve funcionar).
Só quis mostrar que há vários outros casos que, caso surjam, exigirão uma solução mais abrangente (e complicada). E reconheço que a minha resposta não está completa (no sentido de contemplar todas as possibilidades previstas pelo Unicode), pois ainda estou começando a me aprofundar no assunto (Unicode é muito mais complicado do que pensei) e com certeza há muito mais detalhes que ainda desconheço (só sei que nada sei...)