[英]UTF16 conversion failing with utfcpp
我在下面編寫的這段代碼中使用utfcpp將utf16編碼的文件轉換為utf8字符串。
我認為我一定使用不當,因為結果沒有改變。 utf8content
變量每隔一個字符就帶有空字符( \\0
),就像我放入其中的uft16一樣。
//get file content
string utf8content;
std::ifstream ifs(path);
vector<unsigned short> utf16line((std::istreambuf_iterator<char>(ifs)), std::istreambuf_iterator<char>());
//convert
if(!utf8::is_valid(utf16line.begin(), utf16line.end())){
utf8::utf16to8(utf16line.begin(), utf16line.end(), back_inserter(utf8content));
}
我發現正在執行附加操作的庫中的位置,它會將第一個八位位組中的所有內容都視為相同,而我認為應該以不同的方式處理0。
來自checked.h的是append方法(第106行)。 這由utf16to8
(第202行)。 注意,我添加了if的第一部分,以便跳過空字符,以嘗試解決問題。
template <typename octet_iterator>
octet_iterator append(uint32_t cp, octet_iterator result)
{
if (!utf8::internal::is_code_point_valid(cp))
throw invalid_code_point(cp);
if(cp < 0x01) //<===I added this line and..
*(result++); //<===I added this line
else if (cp < 0x80) // one octet
*(result++) = static_cast<uint8_t>(cp);
else if (cp < 0x800) { // two octets
*(result++) = static_cast<uint8_t>((cp >> 6) | 0xc0);
*(result++) = static_cast<uint8_t>((cp & 0x3f) | 0x80);
}
else if (cp < 0x10000) { // three octets
*(result++) = static_cast<uint8_t>((cp >> 12) | 0xe0);
*(result++) = static_cast<uint8_t>(((cp >> 6) & 0x3f) | 0x80);
*(result++) = static_cast<uint8_t>((cp & 0x3f) | 0x80);
}
else { // four octets
*(result++) = static_cast<uint8_t>((cp >> 18) | 0xf0);
*(result++) = static_cast<uint8_t>(((cp >> 12) & 0x3f) | 0x80);
*(result++) = static_cast<uint8_t>(((cp >> 6) & 0x3f) | 0x80);
*(result++) = static_cast<uint8_t>((cp & 0x3f) | 0x80);
}
return result;
}
我無法想象這是解決方案,只是從字符串中刪除null字符,為什么圖書館找不到這個? 顯然我做錯了。
因此,我的問題是,在第一部分代碼中實現utfcpp的方式有什么問題? 我做錯了一些類型轉換嗎?
我的內容是UTF16編碼的xml文件。 似乎在第一個空字符處截斷了結果。
std::ifstream
以8位char
單位讀取文件。 UTF-16改為使用16位單元。 因此,如果您想讀取文件並使用正確的UTF-16單位填充向量,請改用std::wifstream
(如果平台上的wchar_t
不是16位,則使用std::basic_ifstream<char16_t>
或同等功能)。
並且不要在此處調用utf8::is_valid()
。 它需要UTF-8輸入,但是您可以使用UTF-16輸入。
如果sizeof(wchar_t)
為2:
std::wifstream ifs(path);
std::istreambuf_iterator<wchar_t> ifs_begin(ifs), ifs_end;
std::wstring utf16content(ifs_begin, ifs_end);
std::string utf8content;
try {
utf8::utf16to8(utf16content.begin(), utf16content.end(), std::back_inserter(utf8content));
}
catch (const utf8::invalid_utf16 &) {
// bad UTF-16 data!
}
除此以外:
// if char16_t is not available, use unit16_t or unsigned short instead
std::basic_ifstream<char16_t> ifs(path);
std::istreambuf_iterator<char16_t> ifs_begin(ifs), ifs_end;
std::basic_string<char16_t> utf16content(ifs_begin, ifs_end);
std::string utf8content;
try {
utf8::utf16to8(utf16content.begin(), utf16content.end(), std::back_inserter(utf8content));
}
catch (const utf8::invalid_utf16 &) {
// bad UTF-16 data!
}
問題是您正在讀取文件的位置:
vector<unsigned short> utf16line((std::istreambuf_iterator<char>(ifs)), std::istreambuf_iterator<char>());
這行代碼使用一個char
迭代器,並使用它一次一次填充一個字節的向量。 您實際上是在投射每個字節,而不是一次讀取兩個字節。
這會將每個UTF-16實體分為兩部分,對於您的大部分輸入而言,這兩部分中的一個將為空字節。
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.