如何在Unicode / UCS代码点和UTF16代理对之间转换？

Question

如何在C ++ 14和更高版本中在Unicode / UCS代码点和UTF16代理对之间来回转换？

编辑：删除了对UCS-2替代的提及，因为没有这样的东西。 谢谢@ remy-lebeau ！

Answer 1

代理对标签信息页说明了（比Unicode标准9.0在表3-5中的3.9中指定的更好），从代码点转换为代理对的算法如下：

基本多语言平面之外的Unicode字符（即代码大于0xFFFF的字符）通过UTF-16由称为代理对的16位代码对对通过以下方案编码：

• 从代码点减去0x010000，剩下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，以给出第一个代码单元或高代理，其范围为0xD800..0xDBFF；
• 将低十位（也位于0..0x03FF范围内）添加到0xDC00以提供第二个代码单元或低代理，其范围为0xDC00..0xDFFF。

在C ++ 14及更高版本中，可以这样写：

#include <cstdint>

using codepoint = std::uint32_t;
using utf16 = std::uint16_t;

struct surrogate {
    utf16 high; // Leading
    utf16 low;  // Trailing
};

constexpr surrogate split(codepoint const in) noexcept {
    auto const inMinus0x10000 = (in - 0x10000);
    surrogate const r{
            static_cast<utf16>((inMinus0x10000 / 0x400) + 0xd800), // High
            static_cast<utf16>((inMinus0x10000 % 0x400) + 0xdc00)}; // Low
    return r;
}

在相反的方向上，只需要将高代理的最后10位和低代理的最后10位组合起来，并加上0x10000 ：

constexpr codepoint combine(surrogate const s) noexcept {
    return static_cast<codepoint>(
            ((s.high - 0xd800) * 0x400) + (s.low - 0xdc00) + 0x10000);
}

这是对这些转换的测试：

#include <cassert>

constexpr bool isValidUtf16Surrogate(utf16 v) noexcept
{ return (v & 0xf800) == 0xd800; }

constexpr bool isValidCodePoint(codepoint v) noexcept {
    return (v <= 0x10ffff)
        && ((v >= 0x10000) || !isValidUtf16Surrogate(static_cast<utf16>(v)));
}

constexpr bool isValidUtf16HighSurrogate(utf16 v) noexcept
{ return (v & 0xfc00) == 0xd800; }

constexpr bool isValidUtf16LowSurrogate(utf16 v) noexcept
{ return (v & 0xfc00) == 0xdc00; }

constexpr bool codePointNeedsUtf16Surrogates(codepoint v) noexcept
{ return (v >= 0x10000) && (v <= 0x10ffff); }

void test(codepoint const in) {
    assert(isValidCodePoint(in));
    assert(codePointNeedsUtf16Surrogates(in));
    auto const s = split(in);
    assert(isValidUtf16HighSurrogate(s.high));
    assert(isValidUtf16LowSurrogate(s.low));
    auto const out = combine(s);
    assert(isValidCodePoint(out));
    assert(in == out);
}

int main() {
    for (codepoint c = 0x10000; c <= 0x10ffff; ++c)
        test(c);
}

Answer 2

在C ++ 11和更高版本中，可以使用std::wstring_convert在以下各种std::codecvt类型之间进行各种UTF / UCS编码之间的转换：

• UTF-8 <-> UCS-2：
  std::codecvt_utf8<char16_t>

• UTF-8 <-> UTF-16：
  std::codecvt_utf8_utf16

• UTF-8 <-> UTF-32 / UCS-4：
  std::codecvt_utf8<char32_t>

• UCS-2 <-> UTF-16：
  std::codecvt_utf16<char16_t>

• UTF-16 <-> UTF-32 / UCS-4：
  std::codecvt_utf16<char32_t>

• UCS-2 <-> UTF-32 / UCS-4：
  没有标准转换，但是如果需要，您可以std::codecvt编写自己的std::codecvt类。 否则，请在以下两者之间使用上述转换之一：
  UCS-2 <-> UTF-X <-> UTF-32/UCS-4

您无需手动处理代理。

您可以使用std::u32string保留代码点，并使用std::u16string保留UTF-16 / UCS-2代码单元。

例如：

using convert_utf16_uf32 = std::wstring_convert<std::codecvt_utf16<char32_t>, char16_t>;

std::u16string CodepointToUTF16(const char32_t codepoint)
{
    const char32_t *p = &codepoint;
    return convert_utf16_uf32{}.from_bytes(
        reinterpret_cast<const char*>(p),
        reinterpret_cast<const char*>(p+1)
    );
}

std::u16string UTF32toUTF16(const std::u32string &str)
{
    return convert_utf16_uf32{}.from_bytes(
        reinterpret_cast<const char*>(str.data()),
        reinterpret_cast<const char*>(str.data()+str.size())
    );
}

char32_t UTF16toCodepoint(const std::u16string &str)
{
    std::string bytes = convert_utf16_uf32{}.to_bytes(str);
    return *(reinterpret_cast<const char32_t*>(bytes.data()));
}

std::u32string UTF16toUTF32(const std::u16string &str)
{
    std::string bytes = convert_utf16_uf32{}.to_bytes(str);
    return std::u32string(
       reinterpret_cast<const char32_t*>(bytes.data()),
       bytes.size() / sizeof(char32_t)
    );
}