c++ - C++字符串代码点和代码单元有什么好的解决方案？

在Java中，字符串具有以下方法:

length()/charAt(), codePointCount()/codePointAt()

C++ 11具有std::string a = u8"很烫烫的一锅汤";
但是a.size()是char数组的长度，无法索引unicode char。

C++字符串中的unicode有什么解决方案吗？

最佳答案

我通常在进行字符操作之前将UTF-8字符串转换为宽UTF-32/UCS-2字符串。 C++实际上确实为我们提供了执行此操作的功能，但是它们不是非常用户友好的，因此我在此处编写了一些更好的转换功能:

// This should convert to whatever the system wide character encoding
// is for the platform (UTF-32/Linux - UCS-2/Windows)
std::string ws_to_utf8(std::wstring const& s)
{
    std::wstring_convert<std::codecvt_utf8<wchar_t>, wchar_t> cnv;
    std::string utf8 = cnv.to_bytes(s);
    if(cnv.converted() < s.size())
        throw std::runtime_error("incomplete conversion");
    return utf8;
}

std::wstring utf8_to_ws(std::string const& utf8)
{
    std::wstring_convert<std::codecvt_utf8<wchar_t>, wchar_t> cnv;
    std::wstring s = cnv.from_bytes(utf8);
    if(cnv.converted() < utf8.size())
        throw std::runtime_error("incomplete conversion");
    return s;
}

int main()
{
    std::string s = u8"很烫烫的一锅汤";

    auto w = utf8_to_ws(s); // convert to wide (UTF-32/UCS-2)

    // now we can use code-point indexes on the wide string

    std::cout << s << " is " << w.size() << " characters long" << '\n';
}

输出:

很烫烫的一锅汤 is 7 characters long

如果要在任何平台上与UTF-32进行来回转换，则可以使用以下(未经过良好测试的)转换例程:

std::string utf32_to_utf8(std::u32string const& utf32)
{
    std::wstring_convert<std::codecvt_utf8<char32_t>, char32_t> cnv;
    std::string utf8 = cnv.to_bytes(utf32);
    if(cnv.converted() < utf32.size())
        throw std::runtime_error("incomplete conversion");
    return utf8;
}

std::u32string utf8_to_utf32(std::string const& utf8)
{
    std::wstring_convert<std::codecvt_utf8<char32_t>, char32_t> cnv;
    std::u32string utf32 = cnv.from_bytes(utf8);
    if(cnv.converted() < utf8.size())
        throw std::runtime_error("incomplete conversion");
    return utf32;
}

注意:从C++17开始，std::wstring_convert已被弃用。

但是我仍然更喜欢在第三方库上使用它，因为它是可移植的，它避免了外部依赖，在提供替换之前不会被删除，并且在所有情况下都可以轻松替换这些功能的实现。无需更改使用它们的所有代码。