[英]std::string and UTF-8 encoded unicode
如果我理解得很好,可以使用string和wstring来存储UTF-8文本。
对于char,ASCII字符占用一个字节,一些汉字占用3或4等。这意味着str[3]
不一定指向第4个字符。
使用wchar_t
相同的东西,但每个字符使用的最小字节数总是2(而不是char
的1),而3或4字节宽的字符将需要2个wchar_t
。
对 ?
那么,如果我想将string::find_first_of()
或string::compare()
等与这样一个奇怪的编码字符串一起使用呢? 它会起作用吗? 字符串类是否处理字符具有可变大小的事实? 或者我应该只将它们用作伪特征字节数组,在这种情况下,我宁愿选择wchar_t[]
缓冲区。
如果std::string
没有处理,第二个问题:是否有库提供可以处理UTF-8编码的字符串类,以便str[3]
实际指向第3个字符(这将是长度为1的字节数组)到4)?
你在谈论Unicode。 Unicode使用32位来表示字符。 然而,由于这会浪费内存,因此存在更紧凑的编码。 UTF-8就是这样一种编码。 它假定您使用字节单位并将Unicode字符映射到1,2,3或4个字节。 UTF-16是另一种使用单词作为单位并将Unicode字符映射到1或2个字(2或4个字节)的UTF-16。 您可以同时使用string和wchar_t进行编码。 对于英文文本/数字,UTF-8往往更紧凑。
无论使用哪种编码和类型(比较),有些东西都会起作用。 但是,所有需要理解一个角色的功能都将被破坏。 即第5个字符并不总是底层数组中的第5个字符。 它可能看起来像是在使用某些示例,但它最终会破坏。 string :: compare可以工作,但不希望按字母顺序排序。 这取决于语言。 string :: find_first_of适用于某些但不是全部。 长字符串可能只是因为它们很长而较短,而较短字符串可能会被字符对齐混淆并产生非常难以发现的错误。
最好的办法是找到一个为你处理它的库,并忽略下面的类型(除非你有充分的理由选择其中一个)。
您无法使用标准库中的std :: string或任何其他工具处理Unicode。 使用外部库,例如: http : //utfcpp.sourceforge.net/
你是对的:
...这意味着str [3]并不一定指向第4个字符......只能将它们用作伪特征字节数组...
C ++字符串只能处理ascii字符。 这与可以处理Unicode字符的Java字符串不同。 您可以将中文字符的编码结果(字节)存储到字符串中(C / C ++中的字符只是字节),但这没有意义,因为字符串只是将字节视为ascii字符,因此您不能使用字符串函数来处理它。
wstring可能是你需要的东西。
有些事情应该澄清。 UTF-8只是Unicode字符的编码方法(将字符转换为字节格式)。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.