C++ ShiftJIS到UTF8的转换

我需要转换双字节字符。在我的特殊情况下，Shift-Jis可以更好地处理，最好使用标准C++。

以下问题最终没有解决方法:
Doublebyte encodings on MSVC (std::codecvt): Lead bytes not recognized

那么，有没有人对如何使用C++标准进行转换提出建议或引用？

最佳答案

通常，我建议使用ICU库，但是仅此一项，使用它会产生太多开销。

首先是一个转换函数，该函数需要一个带有Shiftjis数据的std::string，并返回一个带有UTF8的std::string(注意2019:如果可以的话就不知道了:))

它使用包含25088个元素(25088字节)的uint8_t数组，该数组在代码中用作convTable。该函数不会填充此变量，您必须从例如加载它。一个文件。下面的第二个代码部分是一个可以生成文件的程序。

转换功能不会检查输入是否为有效的ShiftJIS数据。

std::string sj2utf8(const std::string &input)
{
    std::string output(3 * input.length(), ' '); //ShiftJis won't give 4byte UTF8, so max. 3 byte per input char are needed
    size_t indexInput = 0, indexOutput = 0;

    while(indexInput < input.length())
    {
        char arraySection = ((uint8_t)input[indexInput]) >> 4;

        size_t arrayOffset;
        if(arraySection == 0x8) arrayOffset = 0x100; //these are two-byte shiftjis
        else if(arraySection == 0x9) arrayOffset = 0x1100;
        else if(arraySection == 0xE) arrayOffset = 0x2100;
        else arrayOffset = 0; //this is one byte shiftjis

        //determining real array offset
        if(arrayOffset)
        {
            arrayOffset += (((uint8_t)input[indexInput]) & 0xf) << 8;
            indexInput++;
            if(indexInput >= input.length()) break;
        }
        arrayOffset += (uint8_t)input[indexInput++];
        arrayOffset <<= 1;

        //unicode number is...
        uint16_t unicodeValue = (convTable[arrayOffset] << 8) | convTable[arrayOffset + 1];

        //converting to UTF8
        if(unicodeValue < 0x80)
        {
            output[indexOutput++] = unicodeValue;
        }
        else if(unicodeValue < 0x800)
        {
            output[indexOutput++] = 0xC0 | (unicodeValue >> 6);
            output[indexOutput++] = 0x80 | (unicodeValue & 0x3f);
        }
        else
        {
            output[indexOutput++] = 0xE0 | (unicodeValue >> 12);
            output[indexOutput++] = 0x80 | ((unicodeValue & 0xfff) >> 6);
            output[indexOutput++] = 0x80 | (unicodeValue & 0x3f);
        }
    }

    output.resize(indexOutput); //remove the unnecessary bytes
    return output;
}

关于帮助程序文件:我曾经在这里下载过文件，但如今我只知道不可靠的文件托管者。所以... http://s000.tinyupload.com/index.php?file_id=95737652978017682303可以为您工作，或者:

首先从ftp://ftp.unicode.org/Public/MAPPINGS/OBSOLETE/EASTASIA/JIS/SHIFTJIS.TXT下载“原始”数据。由于篇幅太长，我无法在此处粘贴它，因此我们必须至少希望unicode.org保持在线。

然后，在通过管道/重定向上面的文本文件并将二进制输出重定向到新文件时使用此程序。 (需要一个二进制安全的shell，不知道它是否可以在Windows上运行)。

#include<iostream>
#include<string>
#include<cstdio>

using namespace std;

// pipe SHIFTJIS.txt in and pipe to (binary) file out
int main()
{
    string s;
    uint8_t *mapping; //same bigendian array as in converting function
    mapping = new uint8_t[2*(256 + 3*256*16)];

    //initializing with space for invalid value, and then ASCII control chars
    for(size_t i = 32; i < 256 + 3*256*16; i++)
    {
        mapping[2 * i] = 0;
        mapping[2 * i + 1] = 0x20;
    }
    for(size_t i = 0; i < 32; i++)
    {
        mapping[2 * i] = 0;
        mapping[2 * i + 1] = i;
    }

    while(getline(cin, s)) //pipe the file SHIFTJIS to stdin
    {
        if(s.substr(0, 2) != "0x") continue; //comment lines

        uint16_t shiftJisValue, unicodeValue;
        if(2 != sscanf(s.c_str(), "%hx %hx", &shiftJisValue, &unicodeValue)) //getting hex values
        {
            puts("Error hex reading");
            continue;
        }

        size_t offset; //array offset
        if((shiftJisValue >> 8) == 0) offset = 0;
        else if((shiftJisValue >> 12) == 0x8) offset = 256;
        else if((shiftJisValue >> 12) == 0x9) offset = 256 + 16*256;
        else if((shiftJisValue >> 12) == 0xE) offset = 256 + 2*16*256;
        else
        {
            puts("Error input values");
            continue;
        }

        offset = 2 * (offset + (shiftJisValue & 0xfff));
        if(mapping[offset] != 0 || mapping[offset + 1] != 0x20)
        {
            puts("Error mapping not 1:1");
            continue;
        }

        mapping[offset] = unicodeValue >> 8;
        mapping[offset + 1] = unicodeValue & 0xff;
    }

    fwrite(mapping, 1, 2*(256 + 3*256*16), stdout);
    delete[] mapping;
    return 0;
}

笔记:
两字节的大字节序原始unicode值(此处不需要两个以上的字节)
单字节ShiftJIS字符的前256个字符(512字节)，无效字符的值为0x20。
然后将3 * 256 * 16个字符用于组0x8 ???，0x9 ???和0xE ？？？
= 25088字节