如何在C ++中将UTF-16代理十进制转换为UNICODE

Question

我从��等参数中获得了一些字符串数据 。

这些是Unicode的UTF-16代理对，用十进制表示。

如何使用标准库将它们转换为Unicode代码点，例如“ U + 1F62C”？

Answer 1

您可以轻松地手动处理它。 从高unicode点传递到代理对并返回的算法并不难。 UTF16上的Wikipedia页面上说：

U + 10000至U + 10FFFF

• 从代码点减去0x010000，剩下一个20位数字，范围为0..0x0FFFFF。
• 前十位（0..0x03FF范围内的数字）被添加到0xD800，以给出第一个16位代码单元或高代理，其范围为0xD800..0xDBFF。
• 低十位（也位于0..0x03FF范围内）添加到0xDC00，以提供第二个16位代码单元或低替代，其范围为0xDC00..0xDFFF。

那只是按位和，或和移位，可以用C或C ++轻松实现。

---

就像您说的要使用标准库一样，您所需要的是从两个16位UTF-16代理转换为一个32位unicode代码点，因此只要您可以在C ++ 11模式下进行编译， codecvt就是您的朋友或更高。

这是一个在小端架构上处理您的值的示例：

#include <iostream>
#include <locale>
#include <codecvt>

int main() {
    std::codecvt_utf16<char32_t, 0x10ffffUL,
    std::codecvt_mode::little_endian> cvt;
    mbstate_t state;

    char16_t pair[] = { 55357, 56842 };
    const char16_t *next;

    char32_t u[2];
    char32_t *unext;

    cvt.in(state, (const char *) pair, (const char *) (pair + 2),
        (const char *&) next, u, u+1, unext);

    std::cout << std::hex << (uint16_t) pair[0] << " " << (uint16_t) pair[1]
        << std::endl;
    std::cout << std::hex << (uint32_t) u[0] << std::endl;

    return 0;
}

输出是预期的：

d83d de0a
1f60a