日韩黑丝制服一区视频播放|日韩欧美人妻丝袜视频在线观看|九九影院一级蜜桃|亚洲中文在线导航|青草草视频在线观看|婷婷五月色伊人网站|日本一区二区在线|国产AV一二三四区毛片|正在播放久草视频|亚洲色图精品一区

分享

C++11與Unicode及使用標準庫進行UTF

 鳳凰苑兇真 2019-02-12

Unicode

Unicode是計算機領域的一項行業(yè)標準,它對世界上絕大部分的文字的進行整理和統(tǒng)一編碼,Unicode的編碼空間可以劃分為17個平面(plane),每個平面包含2的16次方(65536)個碼位。17個平面的碼位可表示為從U+0000到U+10FFFF,共計1114112個碼位,第一個平面稱為基本多語言平面(Basic Multilingual Plane, BMP),或稱第零平面(Plane 0)。其他平面稱為輔助平面(Supplementary Planes)。基本多語言平面內,從U+D800到U+DFFF之間的碼位區(qū)段是永久保留不映射到Unicode字符,所以有效碼位為1112064個。最新的版本是Unicode 6.3發(fā)布于2013年9月30日。

Unicode的編碼方式

對于被Unicode收錄的字符其編碼是唯一且確定的。但是Unicode的實現(xiàn)方式(出于傳輸、存儲、處理或向后兼容的考慮)卻有不同的幾種,其中最流行的是UTF-8、UTF-16、UCS2、UCS4/UTF-32等,細分的話還有大小端的區(qū)別。

UTF-8(8-bit Unicode Transformation Format)

UTF-8是一種變長編碼,對于一個Unicode的字符被編碼成1至4個字節(jié)。Unicode編碼與UTF-8的編碼的對應關系如下表

Unicode編碼 UTF-8編碼(二進制)
U+0000 – U+007F 0xxxxxxx
U+0080 – U+07FF 110xxxxx 10xxxxxx
U+0800 – U+FFFF 1110xxxx 10xxxxxx 10xxxxxx
U+10000 – U+10FFFF 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

其中絕大部分的中文用三個字節(jié)編碼,部分中文用四個字節(jié)編碼,舉例如下:

Unicode 字符 UTF-8編碼
U+0041 A 0x41
U+7834 0xE7 0xA0 0xB4
U+6653 0xE6 0x99 0x93
U+2A6A5 ??(四個龍) 0xF0 0xAA 0x9A 0xA5

優(yōu)點:

  1. 向后兼容ASCII編碼;
  2. 沒有字節(jié)序(大小端)的問題適合網(wǎng)絡傳輸;
  3. 存儲英文和拉丁文等字符非常節(jié)省存儲空間。

缺點:

  1. 變長編碼不利于文本處理;
  2. 對于CJK等文字比較浪費存儲空間。

UTF-16(16-bit Unicode Transformation Format)

UTF-16也是一種變長編碼,對于一個Unicode字符被編碼成1至2個碼元,每個碼元為16位。

基本多語言平面(碼位范圍U+0000-U+FFFF)

在基本多語言平面內的碼位UTF-16編碼使用1個碼元且其值與Unicode是相等的(不需要轉換)。舉例如下

Unicode 字符 UTF-16(碼元) UTF-16 LE(字節(jié)) UTF-16 BE(字節(jié))
U+0041 A 0x0041 0x41 0x00 0x00 0x41
U+7834 0x7834 0x34 0x78 0x78 0x34
U+6653 0x6653 0x53 0x66 0x66 0x53

輔助平面(碼位范圍U+10000-U+10FFFF)

在輔助平面內的碼位在UTF-16中被編碼為一對16bit的碼元(即32bit,4字節(jié)),稱作代理對(surrogate pair)。組成代理對的兩個碼元前一個稱為前導代理(lead surrogates)范圍為0xD800-0xDBFF,后一個稱為后尾代理(trail surrogates)范圍為0xDC00-0xDFFF。UTF-16輔助平面代理對與Unicode的對應關系如下表

Lead \ Trail 0xDC00 0xDC01 0xDFFF
0xD800 U+10000 U+10001 U+103FF
0xD801 U+10400 U+10401 U+107FF
? ? ? ? ?
0xDBFF U+10FC00 U+10FC01 U+10FFFF

舉例如下

Unicode 字符 UTF-16(碼元) UTF-16 LE(字節(jié)) UTF-16 BE(字節(jié))
U+2A6A5 ?? 0xD869 0xDEA5 0x69 0xD8 0xA5 0xDE 0xD8 0x69 0xDE 0xA5

優(yōu)點:

  1. 絕大部分的文字都可以用兩個字節(jié)編碼,對于CJK文字是比較節(jié)省空間的;
  2. 文本處理比UTF-8方便得多。

缺點:

  1. 存儲和傳輸需要考慮字節(jié)序的問題;
  2. 不兼容ASCII。

UCS2(2-byte Universal Character Set)

UCS2是一種定長編碼,編碼范圍為0x0000-0xFFFF。在基本多語言平面內與UTF-16是等價。UCS2沒有類似于UTF-16中代理對的概念,所以對于0xD869 0xDEA5會識別成兩個字符。因為是定長編碼,所以文本處理很方便。缺點是不能表示全部的Unicode字符。

UCS4(4-byte Universal Character Set)/UTF-32(32-bit Unicode Transformation Format)

UCS4/UTF-32是一種定長編碼,使用1個32bit的碼元,其值與Unicode編碼值相等。舉例如下:

Unicode 字符 UTF-32(碼元) UTF-32 LE(字節(jié)) UTF-32 BE(字節(jié))
U+0041 A 0x00000041 0x41 0x00 0x00 0x00 0x00 0x00 0x00 0x41
U+7834 0x00007834 0x34 0x78 0x00 0x00 0x00 0x00 0x78 0x34
U+6653 0x00006653 0x53 0x66 0x00 0x00 0x00 0x00 0x66 0x53
U+2A6A5 ?? 0x0002A6A5 0xA5 0xA6 0x02 0x00 0x00 0x02 0xA6 0xA5

優(yōu)點是編碼定長容易進行文本處理,缺點是浪費存儲空間及存在字節(jié)序的問題。

C++11對Unicode的支持

C++11對Unicode提供了語言級別和庫級別的支持。

USL(Unicode String Literals)

USL是C++11對Unicode提供的語言級別的支持。在C++11之前C++中有個wchar_t的類型用于存儲寬字符(Wide-Character)。你可以寫下面這樣的代碼

1
2
3
wchar_t wc = L'中';
wchar_t wc_array[] = L"破曉的博客";
std::wstring wstr = L"破曉的博客";

以L開頭的字符(或字符串)字面量稱為WCSL(Wide-Character String Literals)。本意大概也是用來提供Unicode支持的,可惜標準沒有規(guī)定這個的實現(xiàn),wchar_t及其字面量是實現(xiàn)相關的。比如

  1. 在windows平臺下sizeof(wchar_t)為2,而在linux平臺下sizeof(wchar_t)為4;
  2. 在windows平臺下寬字符(或字符串)字面量使用UTF-16編碼,linux平臺下使用UTF-32編碼。

這導致了下面這段代碼在windows下編譯時會報錯,而在linux下可以編譯通過。

1
wchar_t wc = L'??'; // U+2A6A5

C++11新增了char16_t(至少16位)和char32_t(至少32位)以及USL允許下面這樣的代碼

1
2
3
4
5
6
7
8
9
10
11
// utf-8
char u8_array[] = u8"破曉的博客";
std::string u8_str = u8"破曉的博客";
// utf-16
char16_t u16_c = u'中';
char16_t u16_array[] = u"破曉的博客";
std::u16string u16_str = u"破曉的博客";
// ucs4
char32_t u32_c = U'??';
char32_t u32_array[] = U"破曉的博客";
std::u32string u32_str = U"破曉的博客";

上面在字符(或字符串)字面量前面的u8、u及U前綴分別表示這是UTF-8、UTF-16和UCS4編碼的字符(或字符串)字面量,用法與L前綴類似。下面是一段測試代碼,print_code_uint_sequence函數(shù)模板用于輸出字符串的碼元序列。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
#include <string>
#include <iostream>
#include <iomanip>
#include <type_traits>

template<typename tStringType, typename tTraits = typename tStringType::traits_type>
void print_code_unit_sequence(tStringType str)
{
using char_type = typename tTraits::char_type;
static_assert(std::is_same<char_type, char>::value || std::is_same<char_type, char16_t>::value || std::is_same<char_type, char32_t>::value, "error");
using unsigned_char_type = typename std::make_unsigned<char_type>::type;
using unsigned_int_type = typename std::make_unsigned<typename tTraits::int_type>::type;
int w = std::is_same<char, char_type>::value ? 2 : std::is_same<char16_t, char_type>::value ? 4 : 8;
for(auto c : str) {
auto value = static_cast<unsigned_int_type>(static_cast<unsigned_char_type>(c));
std::cout << "0x" << std::hex << std::uppercase << std::setw(w) << std::setfill('0') << value << ' ';
}
}

int main()
{
std::string u8_str = u8"??"; // utf-8
std::u16string u16_str = u"??"; // utf-16
std::u32string u32_str = U"??"; // ucs4
std::cout << "utf-8: ";
print_code_unit_sequence(u8_str);
std::cout << std::endl;
std::cout << "utf-16: ";
print_code_unit_sequence(u16_str);
std::cout << std::endl;
std::cout << "ucs4: ";
print_code_unit_sequence(u32_str);
std::cout << std::endl;
}

輸出

1
2
3
utf-8: 0xF0 0xAA 0x9A 0xA5
utf-16: 0xD869 0xDEA5
ucs4: 0x0002A6A5

使用C++11標準庫進行編碼轉換

C++11標準庫在<codecvt>頭文件中定義了3個Unicode編碼轉換的Facet

Facet 說明
std::codecvt_utf8 封裝了UTF-8與UCS2及UTF-8與UCS4的編碼轉換
std::codecvt_utf16 封裝了UTF-16與UCS2及UTF-16與UCS4的編碼轉換
std::codecvt_utf8_utf16 封裝了UTF-8與UTF-16的編碼轉換

當要轉換的字符串為std::basic_string使用<locale>頭文件中定義的std::wstring_convert類模板會帶來極大的方便。

1
2
3
4
5
template<class Codecvt,
class Elem = wchar_t,
class Wide_alloc = std::allocator<Elem>,
class Byte_alloc = std::allocator<char>>
class wstring_convert;

UTF-8與UTF-16編碼轉換

UTF-8與UTF-16的編碼轉換使用std::codecvt_utf8_utf16類模板

1
2
3
4
template<class Elem,
unsigned long Maxcode = 0x10ffff,
std::codecvt_mode Mode = (std::codecvt_mode)0>
class codecvt_utf8_utf16 : public std::codecvt<Elem, char, std::mbstate_t>;

其中Elem用于存儲UTF-16碼元,可以是char16_t、char32_t或wchar_t(這些類型都至少能夠存儲16bit)。下面的代碼演示了UTF-8到UTF-16和UTF-16到UTF-8的編碼轉換

1
2
3
4
5
6
7
8
9
10
11
12
13
std::string u8_source_str = u8"破曉的博客"; // utf-8
std::wstring_convert<std::codecvt_utf8_utf16<char16_t>, char16_t> cvt;
std::u16string u16_cvt_str = cvt.from_bytes(u8_source_str); // utf-8 to utf-16
std::string u8_cvt_str = cvt.to_bytes(u16_cvt_str); // utf-16 to utf-8
std::cout << "u8_source_str = ";
print_code_unit_sequence(u8_source_str);
std::cout << std::endl;
std::cout << "u16_cvt_str = ";
print_code_unit_sequence(u16_cvt_str);
std::cout << std::endl;
std::cout << "u8_cvt_str = ";
print_code_unit_sequence(u8_cvt_str);
std::cout << std::endl;

輸出

1
2
3
u8_source_str = 0xE7 0xA0 0xB4 0xE6 0x99 0x93 0xE7 0x9A 0x84 0xE5 0x8D 0x9A 0xE5 0xAE 0xA2
u16_cvt_str = 0x7834 0x6653 0x7684 0x535A 0x5BA2
u8_cvt_str = 0xE7 0xA0 0xB4 0xE6 0x99 0x93 0xE7 0x9A 0x84 0xE5 0x8D 0x9A 0xE5 0xAE 0xA2

UTF-8與UCS2編碼轉換及UTF-8與UCS4編碼轉換

UTF-8與UCS2或UCS4編碼轉換使用std::codecvt_utf8類模板

1
2
3
4
template<class Elem,
unsigned long Maxcode = 0x10ffff,
std::codecvt_mode Mode = (std::codecvt_mode)0>
class codecvt_utf8 : public std::codecvt<Elem, char, std::mbstate_t>;

當Elem為char16_t時轉換為UTF-8與UCS2,當Elem為char32_t時轉換為UTF-16與UCS4,當Elem為wchar_t時轉換取決于實現(xiàn)。演示如下

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
std::string u8_source_str = u8"破曉的博客"; // utf-8
std::wstring_convert<std::codecvt_utf8<char16_t>, char16_t> utf8_ucs2_cvt;
std::u16string ucs2_cvt_str = utf8_ucs2_cvt.from_bytes(u8_source_str); // utf-8 to ucs2
std::string u8_str_from_ucs2 = utf8_ucs2_cvt.to_bytes(ucs2_cvt_str); // ucs2 to utf-8
std::wstring_convert<std::codecvt_utf8<char32_t>, char32_t> utf8_ucs4_cvt;
std::u32string ucs4_cvt_str = utf8_ucs4_cvt.from_bytes(u8_source_str); // utf-8 to ucs4
std::string u8_str_from_ucs4 = utf8_ucs4_cvt.to_bytes(ucs4_cvt_str); // ucs4 to utf-8
std::cout << "u8_source_str: ";
print_code_unit_sequence(u8_source_str);
std::cout << std::endl;
std::cout << "ucs2_cvt_str: ";
print_code_unit_sequence(ucs2_cvt_str);
std::cout << std::endl;
std::cout << "u8_str_from_ucs2: ";
print_code_unit_sequence(u8_str_from_ucs2);
std::cout << std::endl;
std::cout << "ucs4_cvt_str: ";
print_code_unit_sequence(ucs4_cvt_str);
std::cout << std::endl;
std::cout << "u8_str_from_ucs4: ";
print_code_unit_sequence(u8_str_from_ucs4);
std::cout << std::endl;

輸出

1
2
3
4
5
u8_source_str: 0xE7 0xA0 0xB4 0xE6 0x99 0x93 0xE7 0x9A 0x84 0xE5 0x8D 0x9A 0xE5 0xAE 0xA2
ucs2_cvt_str: 0x7834 0x6653 0x7684 0x535A 0x5BA2
u8_str_from_ucs2: 0xE7 0xA0 0xB4 0xE6 0x99 0x93 0xE7 0x9A 0x84 0xE5 0x8D 0x9A 0xE5 0xAE 0xA2
ucs4_cvt_str: 0x00007834 0x00006653 0x00007684 0x0000535A 0x00005BA2
u8_str_from_ucs4: 0xE7 0xA0 0xB4 0xE6 0x99 0x93 0xE7 0x9A 0x84 0xE5 0x8D 0x9A 0xE5 0xAE 0xA2

與UCS2進行轉換時需要注意的是,由于UCS2不能表示全部Unicode,所以當向UCS2轉換時UCS2無法表示時會拋出std::range_error異常。

UTF-16與UCS2編碼轉換及UTF-16與UCS4編碼轉換

UTF-16轉UCS2或UCS4使用std::codecvt_utf16類模板

1
2
3
4
template<class Elem,
unsigned long Maxcode = 0x10ffff,
std::codecvt_mode Mode = (std::codecvt_mode)0>
class codecvt_utf16 : public std::codecvt<Elem, char, std::mbstate_t>;

這里以UTF-16與UCS4的轉換為例Elem為char32_t,UTF-16與UCS2的轉換類似只是Elem需為char16_t。
由于std::wstring_convert是用于在byte string和wide string之間轉換,使用std::codecvt_utf16時UTF-16字符串作為byte string,因此使用這個轉換時就需要考慮字節(jié)序的問題。std::codecvt_utf16類模板的第3個模板參數(shù)Mode類型為std::codecvt_mode

1
2
3
4
5
enum codecvt_mode {
consume_header = 4,
generate_header = 2,
little_endian = 1
};

這三個枚舉值的含義如下表

枚舉值 描述
consume_header 告訴codecvt需要處理輸入的byte string中的BOM(Byte Order Mark)
generate_header 告訴codecvt在輸出的byte string中添加BOM
little_endian 告訴codecvt將byte string的字節(jié)序視為小端(Little Endian),默認為大端(Big Endian)

下面的代碼演示了UTF-16 BE和UTF-16 LE編碼到UCS4編碼的轉換

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
std::string u16le_byte_str = "\x34\x78\x53\x66"; // utf-16 Little Endian
std::string u16be_byte_str = "\x78\x34\x66\x53"; // utf-16 Big Endian
std::wstring_convert<std::codecvt_utf16<char32_t, 0x10ffff, std::little_endian>, char32_t> utf16le_cvt; // little endian
std::wstring_convert<std::codecvt_utf16<char32_t>, char32_t> utf16be_cvt; // default big endian
std::u32string u32_str_from_le = utf16le_cvt.from_bytes(u16le_byte_str); // utf-16 to ucs4
std::u32string u32_str_from_be = utf16be_cvt.from_bytes(u16be_byte_str); // utf-16 to ucs4
std::cout << "u16le_byte_str: ";
print_code_unit_sequence(u16le_byte_str);
std::cout << std::endl;
std::cout << "u16be_byte_str: ";
print_code_unit_sequence(u16be_byte_str);
std::cout << std::endl;
std::cout << "u32_str_from_le: ";
print_code_unit_sequence(u32_str_from_le);
std::cout << std::endl;
std::cout << "u32_str_from_be: ";
print_code_unit_sequence(u32_str_from_be);
std::cout << std::endl;

輸出如下

1
2
3
4
u16le_byte_str: 0x34 0x78 0x53 0x66
u16be_byte_str: 0x78 0x34 0x66 0x53
u32_str_from_le: 0x00007834 0x00006653
u32_str_from_be: 0x00007834 0x00006653

通過設置Mode成功將不同字節(jié)序UTF-16編碼的字符串進行了正確的轉換。

BOM(Byte Order Mark)

字節(jié)序標記是插入到以UTF-8、UTF-16或UTF-32編碼Unicode文件開頭的特殊標記,用于標識文本編碼及字節(jié)序。

編碼 BOM
UTF-8 0xEF 0xBB 0xBF
UTF-16 BE 0xFE 0xFF
UTF-16 LE 0xFF 0xFE
UTF-32 BE 0x00 0x00 0xFE 0xFF
UTF-32 LE 0xFF 0xFE 0x00 0x00

下面的代碼演示了通過BOM指示UTF-16編碼字符串的字節(jié)序,codecvt的第3個參數(shù)需設置為std::consume_header

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
std::string u16le_byte_str = "\xff\xfe\x34\x78\x53\x66"; // utf-16 little endian with BOM
std::string u16be_byte_str = "\xfe\xff\x78\x34\x66\x53"; // utf-16 big endian with BOM
std::wstring_convert<std::codecvt_utf16<char32_t, 0x10ffff, std::consume_header>, char32_t> utf16le_cvt; // little endian
std::wstring_convert<std::codecvt_utf16<char32_t, 0x10ffff, std::consume_header>, char32_t> utf16be_cvt; // default big endian
std::u32string u32_str_from_le = utf16le_cvt.from_bytes(u16le_byte_str); // utf-16 to ucs4
std::u32string u32_str_from_be = utf16be_cvt.from_bytes(u16be_byte_str); // utf-16 to ucs4
std::cout << "u16le_byte_str: ";
print_code_unit_sequence(u16le_byte_str);
std::cout << std::endl;
std::cout << "u16be_byte_str: ";
print_code_unit_sequence(u16be_byte_str);
std::cout << std::endl;
std::cout << "u32_str_from_le: ";
print_code_unit_sequence(u32_str_from_le);
std::cout << std::endl;
std::cout << "u32_str_from_be: ";
print_code_unit_sequence(u32_str_from_be);
std::cout << std::endl;

輸出

1
2
3
4
u16le_byte_str: 0xFF 0xFE 0x34 0x78 0x53 0x66
u16be_byte_str: 0xFE 0xFF 0x78 0x34 0x66 0x53
u32_str_from_le: 0x00003478 0x00005366
u32_str_from_be: 0x00007834 0x00006653

當UCS4轉UTF-16時輸出為byte string,可以通過設置Mode為std::generate_header來使輸出帶BOM,下面的代碼通過UCS4轉UTF-16 LE和UTF-16 BE演示了std::generate_header的使用

1
2
3
4
5
6
7
8
9
10
11
12
13
14
std::u32string u32_str = U"破曉"; // ucs4
std::wstring_convert<std::codecvt_utf16<char32_t, 0x10ffff, static_cast<std::codecvt_mode>(std::generate_header | std::little_endian)>, char32_t> utf16le_cvt; // little endian
std::wstring_convert<std::codecvt_utf16<char32_t, 0x10ffff, static_cast<std::codecvt_mode>(std::generate_header)>, char32_t> utf16be_cvt; // default big endian
std::string u16le_byte_str = utf16le_cvt.to_bytes(u32_str); // ucs4 to utf-16 little endian with BOM
std::string u16be_byte_str = utf16be_cvt.to_bytes(u32_str); // ucs4 to utf-16 big endian with BOM
std::cout << "u32_str: ";
print_code_unit_sequence(u32_str);
std::cout << std::endl;
std::cout << "u16le_byte_str: ";
print_code_unit_sequence(u16le_byte_str);
std::cout << std::endl;
std::cout << "u16be_byte_str: ";
print_code_unit_sequence(u16be_byte_str);
std::cout << std::endl;

輸出

1
2
3
u32_str: 0x00007834 0x00006653
u16le_byte_str: 0xFF 0xFE 0x34 0x78 0x53 0x66
u16be_byte_str: 0xFE 0xFF 0x78 0x34 0x66 0x53

    本站是提供個人知識管理的網(wǎng)絡存儲空間,所有內容均由用戶發(fā)布,不代表本站觀點。請注意甄別內容中的聯(lián)系方式、誘導購買等信息,謹防詐騙。如發(fā)現(xiàn)有害或侵權內容,請點擊一鍵舉報。
    轉藏 分享 獻花(0

    0條評論

    發(fā)表

    請遵守用戶 評論公約

    類似文章 更多