c++ - libxml2 xmlChar * 到 std::wstring

Question

libxml2 似乎将其所有字符串存储为 UTF-8，如 xmlChar *。

/**
 * xmlChar:
 *
 * This is a basic byte in an UTF-8 encoded string.
 * It's unsigned allowing to pinpoint case where char * are assigned
 * to xmlChar * (possibly making serialization back impossible).
 */
typedef unsigned char xmlChar;

因为 libxml2 是一个 C 库，所以没有提供从 xmlChar * 中获取 std::wstring 的例程。我想知道在 C++11 中将 xmlChar * 转换为 std::wstring 的谨慎方法是否是使用 mbstowcs C函数，通过这样的东西(正在进行中):

std::wstring xmlCharToWideString(const xmlChar *xmlString) {
    if(!xmlString){abort();} //provided string was null
    int charLength = xmlStrlen(xmlString); //excludes null terminator
    wchar_t *wideBuffer = new wchar_t[charLength];
    size_t wcharLength = mbstowcs(wideBuffer, (const char *)xmlString, charLength);
    if(wcharLength == (size_t)(-1)){abort();} //mbstowcs failed
    std::wstring wideString(wideBuffer, wcharLength);
    delete[] wideBuffer;
    return wideString;
}

编辑: 仅供引用，我非常清楚 xmlStrlen 返回的内容；它是用于存储字符串的 xmlChar 的数量；我知道这不是 characters 的数量，而是 unsigned char 的数量。如果我将它命名为 byteLength 就不会那么困惑了，但我认为它会更清楚，因为我同时拥有 charLength 和 wcharLength。至于代码的正确性，wideBuffer 总是大于或等于 以容纳缓冲区所需的大小(我相信)。因为需要比 wide_t 更多空间的字符将被截断(我认为)。

Answer 1

xmlStrlen() 返回 xmlChar* 字符串中的 UTF-8 编码代码单元数。这与转换数据时所需的 wchar_t 编码代码单元的数量不同，因此不要使用 xmlStrlen() 来分配 的大小wchar_t 字符串。您需要调用std::mbtowc()一次得到正确的长度，然后分配内存，再次调用mbtowc()填充内存。您还必须使用 std::setlocale()告诉 mbtowc() 使用 UTF-8(弄乱语言环境可能不是一个好主意，尤其是在涉及多个线程的情况下)。例如:

std::wstring xmlCharToWideString(const xmlChar *xmlString)
{    
    if (!xmlString) { abort(); } //provided string was null

    std::wstring wideString;

    int charLength = xmlStrlen(xmlString);
    if (charLength > 0)
    {
        char *origLocale = setlocale(LC_CTYPE, NULL);
        setlocale(LC_CTYPE, "en_US.UTF-8");

        size_t wcharLength = mbtowc(NULL, (const char*) xmlString, charLength); //excludes null terminator
        if (wcharLength != (size_t)(-1))
        {
            wideString.resize(wcharLength);
            mbtowc(&wideString[0], (const char*) xmlString, charLength);
        }

        setlocale(LC_CTYPE, origLocale);
        if (wcharLength == (size_t)(-1)) { abort(); } //mbstowcs failed
    }

    return wideString;
}

一个更好的选择，因为你提到了 C++11，是将 std::codecvt_utf8 与 std::wstring_convert 一起使用，这样你就不必处理语言环境:

std::wstring xmlCharToWideString(const xmlChar *xmlString)
{    
    if (!xmlString) { abort(); } //provided string was null
    try
    {
        std::wstring_convert<std::codecvt_utf8<wchar_t>, wchar_t> conv;
        return conv.from_bytes((const char*)xmlString);
    }
    catch(const std::range_error& e)
    {
        abort(); //wstring_convert failed
    }
}

另一种选择是使用实际的 Unicode 库，例如 ICU 或 ICONV，来处理 Unicode 转换。