c++ - ICU 迭代代码点

Question

我的目标是逐个字符地迭代 Unicode 文本字符串，但下面的代码迭代的是代码单元而不是代码点，即使我使用的是 next32PostInc () 应该迭代代码点:

void iterate_codepoints(UCharCharacterIterator &it, std::string &str) {
    UChar32 c;
    while (it.hasNext()) {
        c = it.next32PostInc();
        str += c;
    }
}

void my_test() {
    const char testChars[] = "\xE6\x96\xAF"; // Chinese character 斯 in UTF-8
    UnicodeString testString(testChars, "");
    const UChar *testText = testString.getTerminatedBuffer();

    UCharCharacterIterator iter(testText, u_strlen(testText));

    std::string str;
    iterate_codepoints(iter, str);
    std::cout << str; // outputs 斯 in UTF-8 format
}


int main() {
    my_test();
    return 0;
}

上面的代码产生了正确的输出，即汉字斯，但是这个单个字符发生了 3 次迭代，而不是仅仅 1 次。有人可以解释我做错了什么吗？

简而言之，我只想在循环中遍历字符，并且很乐意使用任何需要的 ICU 迭代类。

仍在努力解决这个问题......

我还观察到一些使用 UnicodeString 的不良行为，如下所示。我正在使用 VC++ 2013。

void test_02() {
    //  UnicodeString us = "abc 123 ñ";     // results in good UTF-8: 61 62 63 20 31 32 33 20 c3 b1  
    //  UnicodeString us = "斯";             // results in bad  UTF-8: 3f
    //  UnicodeString us = "abc 123 ñ 斯";  // results in bad  UTF-8: 61 62 63 20 31 32 33 20 c3 b1 20 3f  (only the last part '3f' is corrupt)
    //  UnicodeString us = "\xE6\x96\xAF";  // results in bad  UTF-8: 00 55 24 04 c4 00 24  
    //  UnicodeString us = "\x61";          // results in good UTF-8: 61
    //  UnicodeString us = "\x61\x62\x63";  // results in good UTF-8: 61 62 63
    //  UnicodeString us = "\xC3\xB1";      // results in bad  UTF-8: c3 83 c2 b1  
    UnicodeString us = "ñ";                 // results in good UTF-8: c3 b1    
    std::string cs;
    us.toUTF8String(cs);
    std::cout << cs; // output result to file, i.e.: main >output.txt

我使用的是 VC++ 2013。

Answer 1

由于您的源数据是 UTF-8，您需要将其告知 UnicodeString。它的构造函数有一个用于该目的的 codepage 参数，但您将其设置为空字符串:

UnicodeString testString(testChars, "");

这告诉 UnicodeString 执行不变 转换，这不是您想要的。您最终得到 3 个代码点 (U+00E6 U+0096 U+00AF) 而不是 1 个代码点 (U+65AF)，这就是您的循环迭代三次的原因。

您需要更改您的构造函数调用，让 UnicodeString 知道数据是 UTF-8，例如:

UnicodeString testString(testChars, "utf-8");