Как я могу преобразовать строку Java в сущности xml для версий Unicode выше 3.0?

Первоначально Java поддерживал Unicode 1.0, заставляя тип символа 16 бит длиной, но Unicode 2.0 представил механизм суррогатного символа для поддержки большего количества символов, чем число, разрешенное в 16 бит, поэтому строки Java стали кодироваться UTF-16; это означает, что некоторым персонажам нужно представить два символа Java, их называют высоким суррогатным персонажем и низким суррогатным персонажем.

Чтобы узнать, какие символы в строках представляют собой пары с высоким/низким суррогатом, вы можете использовать утилиты в Character:

Character.isHighSurrogate(myChar); // returns true if myChar is a high surrogate
Character.isLowSurrogate(myChar); // same for low surrogate

Character.isSurrogate(myChar); // just to know if myChar is a surrogate

Как только вы узнаете, какие символы имеют высокий или низкий суррогат, вам необходимо преобразовать каждую пару в код кодировки unicode с помощью этого метода:

int codePoint = Character.toCodePoint(highSurrogate, lowSurrogate);

Так как кусок кода стоит тысячи слов, это примерный метод для замены символа символа xml non us-ascii внутри строки:

public static String replaceToCharEntities(String str) {
    StringBuilder result = new StringBuilder(str.length());

    char surrogate = 0;
    for(char c: str.toCharArray()) {

        // if char is a high surrogate, keep it to match it
        // against the next char (low surrogate)
        if(Character.isHighSurrogate(c)) {
            surrogate = c;
            continue;
        }

        // get codePoint
        int codePoint;
        if(surrogate != 0) {
            codePoint = Character.toCodePoint(surrogate, c);
            surrogate = 0;
        } else {
            codePoint = c;
        }

        // decide wether using just a char or a character reference
        if(codePoint < 0x20 || codePoint > 0x7E || codePoint == '<'
                || codePoint == '>' || codePoint == '&' || codePoint == '"'
                || codePoint == '\'') {
            result.append(String.format("&#x%x;", codePoint));
        } else {
            result.append(c);
        }
    }

    return result.toString();
}

Следующий пример строки является хорошим, с которым можно протестировать, поскольку он содержит символ без ascii, который может быть представлен 16-битным значением, а также char с парами с высоким/низким суррогатом:

String myString = "text with some non-US chars: 'Ñ' and '?'";