- c - 在位数组中找到第一个零
- linux - Unix 显示有关匹配两种模式之一的文件的信息
- 正则表达式替换多个文件
- linux - 隐藏来自 xtrace 的命令
我有一个字符迭代器 - std::istreambuf_iterator<char>
包裹在几个适配器中 - 产生 UTF-8 字节。我想从中读取单个 UTF-32 字符(char32_t
)。我可以使用 STL 这样做吗?怎么办?
有 std::codecvt_utf8<char32_t>
, 但这显然只适用于 char*
,而不是任意迭代器。
这是我的代码的简化版本:
#include <iostream>
#include <sstream>
#include <iterator>
// in the real code some boost adaptors etc. are involved
// but the important point is: we're dealing with a char iterator.
typedef std::istreambuf_iterator< char > iterator;
char32_t read_code_point( iterator& it, const iterator& end )
{
// how do I do this conversion?
// codecvt_utf8<char32_t>::in() only works on char*
return U'\0';
}
int main()
{
// actual code uses std::istream so it works on strings, files etc.
// but that's irrelevant for the question
std::stringstream stream( u8"\u00FF" );
iterator it( stream );
iterator end;
char32_t c = read_code_point( it, end );
std::cout << std::boolalpha << ( c == U'\u00FF' ) << std::endl;
return 0;
}
我知道 Boost.Regex 有一个用于此的迭代器,但我想避免不是仅包含 header 的提升库,这感觉像是 STL 应该能够做到的。
最佳答案
我认为您不能直接使用 codecvt_utf8
来完成此操作或任何其他标准库组件。使用 codecvt_utf8
您需要将迭代器流中的字节复制到缓冲区并转换缓冲区。
像这样的东西应该可以工作:
char32_t read_code_point( iterator& it, const iterator& end )
{
char32_t result;
char32_t* resend = &result + 1;
char32_t* resnext = &result;
char buf[7]; // room for 3-byte UTF-8 BOM and a 4-byte UTF-8 character
char* bufpos = buf;
const char* const bufend = std::end(buf);
std::codecvt_utf8<char32_t> cvt;
while (bufpos != bufend && it != end)
{
*bufpos++ = *it++;
std::mbstate_t st{};
const char* be = bufpos;
const char* bn = buf;
auto conv = cvt.in(st, buf, be, bn, &result, resend, resnext);
if (conv == std::codecvt_base::error)
throw std::runtime_error("Invalid UTF-8 sequence");
if (conv == std::codecvt_base::ok && bn == be)
return result;
// otherwise read another byte and try again
}
if (it == end)
throw std::runtime_error("Incomplete UTF-8 sequence");
throw std::runtime_error("No character read from first seven bytes");
}
这似乎做了比必要更多的工作,重新扫描了 [buf, bufpos)
中的整个 UTF-8 序列。在每次迭代中(并对 codecvt_utf8::do_in
进行虚函数调用)。理论上 codecvt_utf8::in
实现可以读取不完整的多字节序列并将状态信息存储在 mbstate_t
中参数,以便下一个调用将从上一个中断的地方继续,只消耗新的字节,而不是重新处理已经看到的不完整的多字节序列。
但是,实现不是必需的来使用 mbstate_t
在调用之间存储状态的参数,实际上至少有一个 codecvt_utf8::in
的实现(我为 GCC 编写的那个)根本不使用它。从我的实验来看,libc++ 实现似乎也不使用它。这意味着它们在不完整的多字节序列之前停止转换,并保留 from_next
指针(此处的 bn
参数)指向该不完整序列的开头,以便下一次调用应从该位置开始并(希望)提供足够的额外字节来完成序列并允许读取完整的 Unicode 字符,并且转换为 char32_t
.因为您只是试图读取单个代码点,这意味着它根本不进行任何转换,因为在不完整的多字节序列之前停止意味着在第一个字节处停止。
有可能某些实现确实使用mbstate_t
参数,所以你可以修改上面的函数来处理这种情况,但为了便携它仍然需要处理忽略 mbstate_t
的实现。 .支持这两种类型的实现会使函数变得相当复杂,所以我保持简单并编写了一个适用于所有实现的表单,即使它们确实使用了 mbstate_t
。 .因为您一次最多只能读取 7 个字节(在最坏的情况下......平均情况可能只有一个或两个字节,具体取决于输入文本)重新扫描前几个字节的成本每次都不应该很大。
从 codecvt_utf8
获得更好的性能您应该避免一次转换一个代码点,因为它是为转换字符数组而不是单个字符而设计的。由于您总是需要复制到 char
无论如何,您可以从输入迭代器序列中复制更大的 block 并转换整个 block 。这将减少看到不完整的多字节序列的可能性,因为如果 block 以不完整的序列结尾,则只有 block 末尾的最后 1-3 个字节需要重新处理, block 中较早的所有内容都将被转换.
为了获得更好的读取单个代码点的性能,您应该避免 codecvt_utf8
完全并自己滚动(如果您只需要 UTF-8 到 UTF-32BE,这并不难)或使用第三方库,例如 ICU。
关于c++ - 使用 STL 的迭代器上的 UTF-8 到 UTF-32,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/31270482/
#include using namespace std; class C{ private: int value; public: C(){ value = 0;
这个问题已经有答案了: What is the difference between char a[] = ?string?; and char *p = ?string?;? (8 个回答) 已关闭
关闭。此题需要details or clarity 。目前不接受答案。 想要改进这个问题吗?通过 editing this post 添加详细信息并澄清问题. 已关闭 7 年前。 此帖子已于 8 个月
除了调试之外,是否有任何针对 c、c++ 或 c# 的测试工具,其工作原理类似于将独立函数复制粘贴到某个文本框,然后在其他文本框中输入参数? 最佳答案 也许您会考虑单元测试。我推荐你谷歌测试和谷歌模拟
我想在第二台显示器中移动一个窗口 (HWND)。问题是我尝试了很多方法,例如将分辨率加倍或输入负值,但它永远无法将窗口放在我的第二台显示器上。 关于如何在 C/C++/c# 中执行此操作的任何线索 最
我正在寻找 C/C++/C## 中不同类型 DES 的现有实现。我的运行平台是Windows XP/Vista/7。 我正在尝试编写一个 C# 程序,它将使用 DES 算法进行加密和解密。我需要一些实
很难说出这里要问什么。这个问题模棱两可、含糊不清、不完整、过于宽泛或夸夸其谈,无法以目前的形式得到合理的回答。如需帮助澄清此问题以便重新打开,visit the help center . 关闭 1
有没有办法强制将另一个 窗口置于顶部? 不是应用程序的窗口,而是另一个已经在系统上运行的窗口。 (Windows, C/C++/C#) 最佳答案 SetWindowPos(that_window_ha
假设您可以在 C/C++ 或 Csharp 之间做出选择,并且您打算在 Windows 和 Linux 服务器上运行同一服务器的多个实例,那么构建套接字服务器应用程序的最明智选择是什么? 最佳答案 如
你们能告诉我它们之间的区别吗? 顺便问一下,有什么叫C++库或C库的吗? 最佳答案 C++ 标准库 和 C 标准库 是 C++ 和 C 标准定义的库,提供给 C++ 和 C 程序使用。那是那些词的共同
下面的测试代码,我将输出信息放在注释中。我使用的是 gcc 4.8.5 和 Centos 7.2。 #include #include class C { public:
很难说出这里问的是什么。这个问题是含糊的、模糊的、不完整的、过于宽泛的或修辞性的,无法以目前的形式得到合理的回答。如需帮助澄清此问题以便重新打开它,visit the help center 。 已关
我的客户将使用名为 annoucement 的结构/类与客户通信。我想我会用 C++ 编写服务器。会有很多不同的类继承annoucement。我的问题是通过网络将这些类发送给客户端 我想也许我应该使用
我在 C# 中有以下函数: public Matrix ConcatDescriptors(IList> descriptors) { int cols = descriptors[0].Co
我有一个项目要编写一个函数来对某些数据执行某些操作。我可以用 C/C++ 编写代码,但我不想与雇主共享该函数的代码。相反,我只想让他有权在他自己的代码中调用该函数。是否可以?我想到了这两种方法 - 在
我使用的是编写糟糕的第 3 方 (C/C++) Api。我从托管代码(C++/CLI)中使用它。有时会出现“访问冲突错误”。这使整个应用程序崩溃。我知道我无法处理这些错误[如果指针访问非法内存位置等,
关闭。这个问题不符合Stack Overflow guidelines .它目前不接受答案。 我们不允许提问寻求书籍、工具、软件库等的推荐。您可以编辑问题,以便用事实和引用来回答。 关闭 7 年前。
已关闭。此问题不符合Stack Overflow guidelines 。目前不接受答案。 要求我们推荐或查找工具、库或最喜欢的场外资源的问题对于 Stack Overflow 来说是偏离主题的,因为
我有一些 C 代码,将使用 P/Invoke 从 C# 调用。我正在尝试为这个 C 函数定义一个 C# 等效项。 SomeData* DoSomething(); struct SomeData {
这个问题已经有答案了: Why are these constructs using pre and post-increment undefined behavior? (14 个回答) 已关闭 6
我是一名优秀的程序员,十分优秀!