C ++ std：string比較編碼問題

Question

我認為std :: string比較與編碼有問題。 問題是我討厭比較接收到的字符串，但我不知道它與帶有不常用字符的西班牙語字符串的編碼方式如何。 我無法更改s_area.m_s_area_text，因此我需要將s2字符串設置為相同的值，並且我不知道如何以通用的方式來進行其他處理。

std::string s2= "Versión de sistema";  
std::cout << s_area.m_s_area_text << std::endl;

for (const char* p = s2.c_str(); *p; ++p)
{
   printf("%02x", *p);
}
printf("\n");


for (const char* p = s_area.m_s_area_text.c_str(); *p; ++p)
{
   printf("%02x", *p);
}
printf("\n");

執行的結果是：

Versi├│n de sistema
5665727369fffffff36e2064652073697374656d61
5665727369ffffffc3ffffffb36e2064652073697374656d61

顯然，由於2個字符串的字節值不同，因此所有compare方法都會失敗：strncmp，std :: string ==，std：sstring.comapre等。

關於如何觸摸s_area.m_s_area_text字符串該怎么辦？

Answer 1

通常，不可能通過檢查字符串的原始字節來猜測字符串的編碼。 該規則的例外是在字節流的開始處出現字節順序標記（BOM）時。 BOM將告訴您字節是哪個unicode編碼以及字節順序。

順便說一句，如果將來某個時候您決定需要規范的字符串編碼（正如某些人在評論中指出的那樣，那將是一個好主意）。 有很多人贊成將UTF-8作為C ++的最佳選擇。 有關更多信息，請參見UTF-8 。

Answer 2

首先，兩個正確比較兩個字符串，您至少需要知道它們的編碼。 在您的示例中， s_area.m_s_area_text恰好是用UTF-8編碼的，而對於s2 ISO / IEC 8859-1（Latin-1）。

如果您確定s_area.m_s_area_text將始終以UTF-8編碼，則可以嘗試使s2使用相同的編碼，然后進行比較。 定義UTF-8編碼的字符串的一種方法是使用\\u\u003c/code>將每個不在基本字符集中的字符轉義。

std::string s2 = u8"Versi\u00F3n de sistema";
...
if (s_area.m_s_area_text == s2)
...

通過為源文件設置適當的編碼並為編譯器指定編碼，也可以在不轉義字符的情況下執行此操作。

如@nwp所述，您可能還想在比較之前對字符串進行規范化。 否則，看起來相同的兩個字符串可能具有不同的Unicode表示形式，這將導致您的比較產生錯誤的否定結果。 例如，“ Version de sistema”將不等於“Versiónde sistema”。