繁体   English   中英

如何将代码点转换为 utf-8?

[英]How to convert a codepoint to utf-8?

我有一些读取 unicode 代码点的代码(在字符串 0xF00 中转义)。

由于我使用 ,我在推测以下是否是最佳(和正确)方法:

unsigned int codepoint{0xF00};
boost::locale::conv::utf_to_utf<char>(&codepoint, &codepoint+1);

?

您可以使用标准库执行此操作,使用std::wstring_convert将 UTF-32(代码点)转换为 UTF-8:

#include <locale>
#include <codecvt>

std::string codepoint_to_utf8(char32_t codepoint) {
    std::wstring_convert<std::codecvt_utf8<char32_t>, char32_t> convert;
    return convert.to_bytes(&codepoint, &codepoint + 1);
}

这将返回一个std::string其大小为 1、2、3 或 4,具体取决于codepoint大小。 如果代码点太大(> 0x10FFFF,最大 unicode 代码点),它将抛出std::range_error


您的带有 boost 的版本似乎也在做同样的事情。 文档utf_to_utf函数将 UTF 编码转换为另一种编码,在本例中为 32 到 8。如果您使用char32_t ,这将是一种“正确”的方法,适用于unsigned int大小不同的系统作为char32_t

// The function also converts the unsigned int to char32_t
std::string codepoint_to_utf8(char32_t codepoint) {
    return boost::locale::conv::utf_to_utf<char>(&codepoint, &codepoint + 1);
}

如前所述,这种形式的代码点是(方便地)UTF-32,所以您要寻找的是转码。

对于不依赖自 C++17 以来已弃用的函数的解决方案,并且不是很丑陋,并且也不需要大量的第三方库,您可以使用非常轻量级的UTF8-CPP (四个小标题!)及其函数utf8::utf32to8

它看起来像这样:

const uint32_t codepoint{0xF00};
std::vector<unsigned char> result;

try
{
   utf8::utf32to8(&codepoint, &codepoint + 1, std::back_inserter(result));
}
catch (const utf8::invalid_code_point&)
{
   // something
}

(如果您对异常过敏,还有一个utf8::unchecked::utf32to8 。)

(并考虑读入vector<char8_t>std::u8string ,因为 C++20)。

(最后,请注意,我专门使用了uint32_t来确保输入具有正确的宽度。)

我倾向于在项目中使用这个库,直到我需要一些更重的东西用于其他目的(此时我通常会切换到 ICU)。

C++17 已弃用大量处理 utf 的便利函数。 不幸的是,最后剩下的那些将在 C++20 (*) 中被弃用。 话虽如此, std::codecvt仍然有效。 从 C++11 到 C++17,您可以使用std::codecvt<char32_t, char, mbstate_t> ,从 C++20 开始它将是std::codecvt<char32_t, char8_t, mbstate_t>

下面是一些在 utf8 中转换代码点(最多 0x10FFFF)的代码:

// codepoint is the codepoint to convert
// buff is a char array of size sz (should be at least 4 to convert any code point)
// on return sz is the used size of buf for the utf8 converted string
// the return value is the return value of std::codecvt::out (0 for ok)
std::codecvt_base::result to_utf8(char32_t codepoint, char *buf, size_t& sz) {
    std::locale loc("");
    const std::codecvt<char32_t, char, std::mbstate_t> &cvt =
                   std::use_facet<std::codecvt<char32_t, char, std::mbstate_t>>(loc);

    std::mbstate_t state{{0}};

    const char32_t * last_in;
    char *last_out;
    std::codecvt_base::result res = cvt.out(state, &codepoint, 1+&codepoint, last_in,
                                            buf, buf+sz, last_out);
    sz = last_out - buf;
    return res;
}

(*) std::codecvt仍将存在于 C++20 中。 简单地默认实例化将不再是std::codecvt<char16_t, char, std::mbstate_t>std::codecvt<char32_t, char, std::mbstate_t>而是std::codecvt<char16_t, char8_t, std::mbstate_t>std::codecvt<char32_t, char8_t, std::mbstate_t> (注意char8_t而不是char

在阅读了 C++ 中 UTF-8 支持的不稳定状态后,我偶然发现了相应的 C 支持c32rtomb ,它看起来很有希望,并且可能不会很快被弃用

#include <clocale>
#include <cuchar>
#include <climits>

size_t to_utf8(char32_t codepoint, char *buf)
{
    const char *loc = std::setlocale(LC_ALL, "en_US.utf8");
    std::mbstate_t state{};
    std::size_t len = std::c32rtomb(buf, codepoint, &state);
    std::setlocale(LC_ALL, loc);
    return len;
}

用法将是

char32_t codepoint{0xfff};
char buf[MB_LEN_MAX]{};
size_t len = to_utf8(codepoint, buf);

如果您的应用程序的当前语言环境已经是 UTF-8,您当然可以省略对setlocale的来回调用。

暂无
暂无

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.

 
粤ICP备18138465号  © 2020-2024 STACKOOM.COM