c - C中字节的Unicode代码点流？

Question

我正在用 C 编写一个 HTML 解析器，并希望正确遵循 the W3C guidelines on parser implementation .关键点之一是解析器对 Unicode 代码点流而不是字节流进行操作，这是有道理的。

那么，基本上，给定一个缓冲区已知字符编码(我将得到一个明确的输入编码，或者将使用 HTML5 预扫描算法进行很好的猜测)，最好的方法是什么在 C 中——理想情况下是跨平台的，但坚持使用 UNIX 也很好——迭代等效的 Unicode 代码点序列？

分配一些合理大小的缓冲区并使用 iconv 是可行的方法吗？我应该看ICU吗？ U16_NEXT 之类的宏似乎很适合我的任务，但 ICU 文档冗长得令人难以置信，而且很难看出究竟如何将它们粘合在一起。

Answer 1

ICU是个不错的选择。我将它与 C++ 一起使用并且非常喜欢它。我很确定您也会在 C 中获得类似的经过深思熟虑的 API。

不完全相同但有些相关的可能是这个 tutorial这解释了如何执行流式/增量音译(在这种情况下，困难在于“光标”有时可能在代码点内部)。