C++11 Unicode编码转换

2023-07-17 22:39:06 80

1.char16_t与char32_t

在C++98中，为了支持Unicode字符，使用wchar_t类型来表示“宽字符”，但并没有严格规定位宽，而是让wchar_t的宽度由编译器实现，因此不同的编译器有着不同的实现方式，GNUC++规定wchar_t为32位，VisualC++规定为16位。由于wchar_t宽度没有一个统规定，导致使用wchar_t的代码在不同平台间移植时，可能出现问题。这一状况在C++11中得到了一定的改善，从此Unicode字符的存储有了统一类型：

（1）char16_t：用于存储UTF-16编码的Unicode字符。
（2）char32_t：用于存储UTF-32编码的Unicode字符。

至于UTF-8编码的Unicode数据，C++11还是使用了8bits宽度的char类型数组来表示，而char16_t和char32_t的宽度由其名称可以看出，char16_t为16bits，char32_t为32bits。

2.定义字符串的5种方式

除了使用新类型char16_t与char32_t来表示Unicode字符，此外，C++11还新增了三种前缀来定义不同编码的字符串，新增前缀如下：

（1）u8表示为UTF-8编码；
（2）u表示为UTF-16编码；
（3）U表示为UTF-32编码。

C++98中有两种定义字符串的方式，一是直接使用双引号定义多字节字符串，二是通过前缀“L”表示wchar_t字符串（宽字符串）。至此，C++中共有5种定义字符串的方式。

3.影响字符串正确处理的因素

在使用不同方式定义不同编码的字符串时，我们需要注意影响字符串处理和显示的几个因素有编辑器、编译器和输出环境。

代码编辑器采用何种编码方式决定了字符串最初的编码，比如编辑器如果采用GBK，那么代码文件中的所有字符都是以GBK编码存储。当编译器处理字符串时，可以通过前缀来判断字符串的编码类型，如果目标编码与原编码不同，则编译器会进行转换，比如C++11中的前缀u8表示目标编码为UTF-8的字符，如果代码文件采用的是GBK，编译器按照UTF-8去解析字符串常量，则可能会出现错误。

//代码文件为GBK编码
#include
#include
usingnamespacestd;

intmain()
{
constchar*sTest=u8"你好";
for(inti=0;sTest[i]!=0;++i)
{
cout<
程序输出结果：C4E3BAC3。这个码值是GBK的码值，因为“你”的GBK码值是0xC4E3，“好”的GBK码值是0xBAC3。可见，编译器未成功地将GBK编码的“你好”转换为UTF-8的码值“你”（E4BDA0）“好”（E5A5BD），原因是使用编译选项-finput-charset=utf-8指定代码文件编码为UTF-8，而实际上代码文件编码为GBK，导致编译器出现错误的认知。如果使用-finput-charset=gbk，那么编译器在编译时会将GBK编码的“你好”转换为UTF-8编码，正确输出E4BDA0E5A5BD。
代码编辑器和编译器这两个环节在处理字符串如果没有问题，那么最后就是显示环节。字符串的正确显示依赖于输出环境。C++输出流对象cout能够保证的是将数据以二进制输出到输出设备，但输出设备（比如Linuxshell或者Windowsconsole）是否能够支持特定的编码类型的输出，则取决于输出环境。比如Linux虚拟终端XShell，配置终端编码类型为GBK，则无法显示输出的UTF-8编码字符串。
一个字符串从定义到处理再到输出，涉及到编辑器、编译器和输出环境三个因素，正确的处理和显示需要三个因素的共同保障，每一个环节都不能出错。一个字符串的处理流程与因素如下图所示：
当然如果想避开编辑器编码对字符串的影响，可以使用Unicode码值来定义字符串常量，参看如下代码：
//代码文件为GBK编码
#include
#include
usingnamespacestd;

intmain()
{
constchar*sTest=u8"\u4F60\u597D";//你好的Uunicode码值分别是：0x4F60和0x597D
for(inti=0;sTest[i]!=0;++i)
{
cout<
程序输出结果：E4BDA0E5A5BD。可见，即使编译器对代码文件的编码理解有误，仍然可以正确地以UTF-8编码输出“你好”的码值。原因是ASCII字符使用GBK与UTF-8编码码值是相同的，所以直接书写Unicode码值来表示字符串是一种比较保险的做法，缺点就是难以阅读。
4.Unicode的库支持


C++11在标准库中增加了一些Unicode编码转换的函数，开发人员可以使用库中的一些新增编码转换函数来完成各种Unicode编码间的转换，函数原型如下：
//多字节字符转换为UTF-16编码
size_tmbrtoc16(char16_t*pc16,constchar*pmb,size_tmax,mbstate_t*ps);

//UTF-16字符转换为多字节字符
size_tc16rtomb(char*pmb,char16_tc16,mbstate_t*ps);

//多字节字符转换为UTF-32编码
size_tmbrtoc32(char32_t*pc32,constchar*pmb,size_tmax,mbstate_t*ps);

//UTF-32字符转换为多字节字符
size_tc32rtomb(char*pmb,char32_tc32,mbstate_t*ps);
函数名称中mb表示multi-byte（多字节），rto表示convertto（转换为），c16表示char16_t，了解这些，可以根据函数名称直观的理解它们的作用。下面给一下UTF-16字符串转换为多字节字符串（以GBK为例）的例子：
#include
#include
#include
#include
#include
usingnamespacestd;

intmain()
{
constchar16_t*utf16=u"\u4F60\u597D\u554A";
size_tutf16Len=char_traits::length(utf16);

char*gbk=newchar[utf16Len*2+1];
memset(gbk,0,utf16Len*2+1);
char*pGbk=gbk;

setlocale(LC_ALL,"zh_CN.gbk");
mbstate_tmbs;//转换状态
size_tlength=0;
while(*utf16)
{
pGbk+=length;
length=c16rtomb(pGbk,*utf16,&mbs);
if(length==0||pGbk-gbk>sizeof(gbk))
{
cout<<"failed"<
程序输出结果：C4E3BAC3B0A1。可见，使用c16rtomb()完成了将“你好啊”从UTF-16编码到多字节编码（GBK）的转换。上面的转换，我们用到了locale机制。locale表示的是一个地域的特征，包括字符编码、数字时间表示形式、货币符号等。locale串使用“zh_CN.gbk”表示目的多字节字符串使用GBK编码。
上面通过Unicode字符的转换来完成字符串的转换，实际上C++提供了一个类模板codecvt用于完成Unicode字符串与多字节字符串之间的转换，主要分为4种：
codecvt//performsnoconversion
codecvt//convertsbetweennativewideandnarrowcharactersets
codecvt//convertsbetweenUTF16andUTF8encodings,sinceC++11
codecvt//convertsbetweenUTF32andUTF8encodings,sinceC++11
上面的codecvt实际上是locale的一个facet，facet可以简单地理解为locale的一些接口。通过codecvt，可以完成当前locale下多字节编码字符串与Unicode字符间的转换，也包括Unicode字符编码间的转换。这里的多字节字符串不仅可以试UTF-8，也可以是GBK或者其它编码，实际依赖于locale所采用的编码方式。每种codecvt负责不同类型编码的转换，但是目前编译器的支持情况并没有那么完整，一种locale并不一定支持所有的codecvt，程序员可以通过has_facet函数模板来查询指定locale下的支持情况。参考代码如下：
#include
#include
usingnamespacestd;

intmain()
{
//定义一个locale并查询该locale是否支持一些facet
localelc("zh_CN.gbk");
boolcan_cvt=has_facet>(lc);
if(!can_cvt)
cout<<"donotsupportchar-charfacet"<>(lc);
if(!can_cvt)
cout<<"donotsupportwchar_t-charfacet"<>(lc);
if(!can_cvt)
cout<<"donotsupportchar16_t-charfacet"<>(lc);
if(!can_cvt)
cout<<"donotsupportchar32_t-charfacet"<
程序输出结果：

donotsupportchar16_t-charfacet

donotsupportchar32_t-charfacet

由此可见，从char到char16_t与char32_t转换的两种facet还没有被实验机使用的编译器支持。
假如实验机支持从char与char16_t的转换，可参考如下代码：
#include
#include
#include
#include
#include
usingnamespacestd;

intmain()
{
typedefstd::codecvtfacet_type;
std::localemylocale("zh_CN.gbk");

try
{
constfacet_type&myfacet=std::use_facet(mylocale);

constchar16_t*utf16=u"\u4F60\u597D\u554A";//你好啊
size_tutf16Len=char_traits::length(utf16);
cout<
由于实验环境并不支持char与char16_t相互转换的facet，所以程序输出结果为：donotsupportchar16_t-charfacet。
5.u16string与u32string


C++11新增了UTF-16和UTF-32编码的字符类型char16_t和char32_t，当然少不了对应的字符串类型，分别是u16string与与u32string，二者的存在类似与string与wstring。四者的定义如下：
typedefbasic_stringstring;
typedefbasic_stringwstring;
typedefbasic_stringu16string;
typedefbasic_stringu32string;
我们对string与wstring应该比较熟悉，对于u16string与u32string在用法上是差不多了，有相同的成员接口与类型，只需要记住其存储的字符编码类型不同即可。下面看一下u16string使用的简单示例。
#include
#include
usingnamespacestd;

intmain()
{
u16stringu16str=u"\u4F60\u597D\u554A";//你好啊
cout<
程序输出：

3

4F60597D554A。

以上就是C++11Unicode编码转换的详细内容，更多关于C++11Unicode编码转换的资料请关注毛票票其它相关文章！
声明：本文内容来源于网络，版权归原作者所有，内容由互联网用户自发贡献自行上传，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任。如果您发现有涉嫌版权的内容，欢迎发送邮件至：czq8825#qq.com（发邮件时，请将#更换为@）进行举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。

C++11 Unicode编码转换

热门推荐

随机推荐