如何在Unicode / UCS代碼點和UTF16代理對之間轉換？

Question

如何在C ++ 14和更高版本中在Unicode / UCS代碼點和UTF16代理對之間來回轉換？

編輯：刪除了對UCS-2替代的提及，因為沒有這樣的東西。 謝謝@ remy-lebeau ！

Answer 1

代理對標簽信息頁說明了（比Unicode標准9.0在表3-5中的3.9中指定的更好），從代碼點轉換為代理對的算法如下：

基本多語言平面之外的Unicode字符（即代碼大於0xFFFF的字符）通過UTF-16由稱為代理對的16位代碼對對通過以下方案編碼：

• 從代碼點減去0x010000，剩下20位數字，范圍為0..0x0FFFFF;
• 前十位（0..0x03FF范圍內的數字）被添加到0xD800，以給出第一個代碼單元或高代理，其范圍為0xD800..0xDBFF；
• 將低十位（也位於0..0x03FF范圍內）添加到0xDC00以提供第二個代碼單元或低代理，其范圍為0xDC00..0xDFFF。

在C ++ 14及更高版本中，可以這樣寫：

#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，只需要將高代理的最后10位和低代理的最后10位組合起來，並加上0x10000 ：

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

這是對這些轉換的測試：

#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在以下各種std::codecvt類型之間進行各種UTF / UCS編碼之間的轉換：

• 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：
  沒有標准轉換，但是如果需要，您可以std::codecvt編寫自己的std::codecvt類。 否則，請在以下兩者之間使用上述轉換之一：
  UCS-2 <-> UTF-X <-> UTF-32/UCS-4

您無需手動處理代理。

您可以使用std::u32string保留代碼點，並使用std::u16string保留UTF-16 / UCS-2代碼單元。

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)
    );
}