c++ - Boost.Locale 和 isprint

Question

我正在寻找一种方法来显示 UTF-8 字符串，其中的不可打印/无效字符已转义。在 ASCII 时代，我习惯于使用 isprint 来决定字符是按原样打印还是转义。使用 UTF-8，迭代更加困难，但 Boost.Locale 做得很好。然而，我没有在其中找到任何东西来决定某个字符是否可打印，甚至实际上是否有效。

在下面的源代码中，字符串"Hello あニま ➦ 👙 𝕫⊆𝕢\x02\x01\b\xff\xff\xff " 包含一些不可打印的坏人( \b 例如)和其他是普通的无效序列(\xff\xff\xff)。我应该执行什么测试来确定字符是否可打印？

// Based on an example of Boost.Locale.
#include <boost/locale.hpp>
#include <iostream>
#include <iomanip>

int main()
{
  using namespace boost::locale;
  using namespace std;

  generator gen;
  std::locale loc = gen("");
  locale::global(loc); 
  cout.imbue(loc);

  string text = "Hello あにま ➦ 👙 𝕫⊆𝕢 \x02\x01\b \xff\xff\xff ";

  cout << text << endl;

  boundary::ssegment_index index(boundary::character, text.begin(), text.end());

  for (auto p: index)
    {
      cout << '['  << p << '|';
      for (uint8_t c: p)
        cout << std::hex << std::setw(2) << std::setfill('0') << int(c);
      cout << "] ";
    }
  cout << '\n';
}

运行时，它给出

[H|48] [e|65] [l|6c] [l|6c] [o|6f] [ |20] [あ|e38182] [に|e381ab] [ま|e381be]
[ |20] [➦|e29ea6] [ |20] [👙|f09f9199] [ |20] [𝕫|f09d95ab]
[⊆|e28a86] [𝕢|f09d95a2] [ |20] [|02] [|01] |08] [ |20] [??? |ffffff20]

我应该如何确定 [|01] 不可打印，[??? |ffffff20]，但是 [o|6f] 是，[👙|f09f9199] 也是？粗略地说，测试应该允许我决定是否打印 [|] 对的左侧成员，或者当不是 isprint 时打印右侧的成员。

谢谢

Answer 1

Unicode 具有每个代码点的属性，其中包括 general category , 和一份技术报告列出了 regex classifications (阿尔法、图表等)。 unicode print 分类包括制表符，而 std::isprint(使用 C 语言环境)不包括。 print 确实包括字母、标记、数字、标点符号、符号、空格和格式代码点。格式化代码点 do not include CR or LF ，但做包括code points that affect the appearance相邻的字符。我相信这正是您想要的(标签除外)；该规范经过精心设计以支持这些字符属性。

大多数分类函数，如 std::isprint，一次只能给出一个标量值，因此 UTF32 是显而易见的编码选择。遗憾的是，无法保证您的系统支持 UTF32 语言环境，也无法保证 wchar_t 是保存所有 unicode 代码点所需的必要 20 位。因此，我会考虑使用 boost::spirit::char_encoding::unicode如果可以的话，进行分类。它有一个包含所有 unicode 类别的内部表，并实现了正则表达式技术报告中列出的分类。看起来它使用的是较旧的 Unicode 5.2 数据库，但提供了用于生成表格的 C++，并且可以应用于较新的文件。

多字节 UTF8 序列仍需要转换为单独的代码点 (UTF32)，并且您特别提到了跳过无效 UTF8 序列的能力。由于我是一名 C++ 程序员，我决定不必要地向您的屏幕发送垃圾邮件，并实现一个 constexpr UTF8->UTF32 函数:

#include <cstdint>
#include <iomanip>
#include <iostream>
#include <iterator>
#include <boost/range/iterator_range.hpp>
#include <boost/spirit/home/support/char_encoding/unicode.hpp>

namespace {
struct multi_byte_info {
  std::uint8_t id_mask;
  std::uint8_t id_matcher;
  std::uint8_t data_mask;
};

constexpr const std::uint8_t multi_byte_id_mask = 0xC0;
constexpr const std::uint8_t multi_byte_id_matcher = 0x80;
constexpr const std::uint8_t multi_byte_data_mask = 0x3F;
constexpr const std::uint8_t multi_byte_bits = 6;
constexpr const multi_byte_info multi_byte_infos[] = {
    // skip 1 byte info
    {0xE0, 0xC0, 0x1F},
    {0xF0, 0xE0, 0x0F},
    {0xF8, 0xF0, 0x07}};
constexpr const unsigned max_length =
    (sizeof(multi_byte_infos) / sizeof(multi_byte_info));

constexpr const std::uint32_t overlong[] = {0x80, 0x800, 0x10000};
constexpr const std::uint32_t max_code_point = 0x10FFFF;
}

enum class extraction : std::uint8_t { success, failure };

struct extraction_attempt {
  std::uint32_t code_point;
  std::uint8_t bytes_processed;
  extraction status;
};

template <typename Iterator>
constexpr extraction_attempt next_code_point(Iterator position,
                                             const Iterator &end) {
  static_assert(
      std::is_same<typename std::iterator_traits<Iterator>::iterator_category,
                   std::random_access_iterator_tag>{},
      "bad iterator type");

  extraction_attempt result{0, 0, extraction::failure};

  if (end - position) {
    result.code_point = std::uint8_t(*position);
    ++position;
    ++result.bytes_processed;

    if (0x7F < result.code_point) {
      unsigned expected_length = 1;

      for (const auto info : multi_byte_infos) {
        if ((result.code_point & info.id_mask) == info.id_matcher) {
          result.code_point &= info.data_mask;
          break;
        }
        ++expected_length;
      }

      if (max_length < expected_length || (end - position) < expected_length) {
        return result;
      }

      for (unsigned byte = 0; byte < expected_length; ++byte) {
        const std::uint8_t next_byte = *(position + byte);
        if ((next_byte & multi_byte_id_mask) != multi_byte_id_matcher) {
          return result;
        }

        result.code_point <<= multi_byte_bits;
        result.code_point |= (next_byte & multi_byte_data_mask);
        ++result.bytes_processed;
      }

      if (max_code_point < result.code_point) {
        return result;
      }

      if (overlong[expected_length - 1] > result.code_point) {
        return result;
      }
    }

    result.status = extraction::success;
  } // end multi-byte processing

  return result;
}

template <typename Range>
constexpr extraction_attempt next_code_point(const Range &range) {
  return next_code_point(std::begin(range), std::end(range));
}

template <typename T>
boost::iterator_range<T>
next_character_bytes(const boost::iterator_range<T> &range,
                     const extraction_attempt result) {
  return boost::make_iterator_range(range.begin(),
                                    range.begin() + result.bytes_processed);
}

template <std::size_t Length>
constexpr bool test(const char (&range)[Length],
                    const extraction expected_status,
                    const std::uint32_t expected_code_point,
                    const std::uint8_t expected_bytes_processed) {
  const extraction_attempt result =
      next_code_point(std::begin(range), std::end(range) - 1);
  switch (expected_status) {
  case extraction::success:
    return result.status == extraction::success &&
           result.bytes_processed == expected_bytes_processed &&
           result.code_point == expected_code_point;
  case extraction::failure:
    return result.status == extraction::failure &&
           result.bytes_processed == expected_bytes_processed;
  default:
    return false;
  }
}

int main() {
  static_assert(test("F", extraction::success, 'F', 1), "");
  static_assert(test("\0", extraction::success, 0, 1), "");
  static_assert(test("\x7F", extraction::success, 0x7F, 1), "");
  static_assert(test("\xFF\xFF", extraction::failure, 0, 1), "");

  static_assert(test("\xDF", extraction::failure, 0, 1), "");
  static_assert(test("\xDF\xFF", extraction::failure, 0, 1), "");
  static_assert(test("\xC1\xBF", extraction::failure, 0, 2), "");
  static_assert(test("\xC2\x80", extraction::success, 0x80, 2), "");
  static_assert(test("\xDF\xBF", extraction::success, 0x07FF, 2), "");

  static_assert(test("\xEF\xBF", extraction::failure, 0, 1), "");
  static_assert(test("\xEF\xBF\xFF", extraction::failure, 0, 2), "");
  static_assert(test("\xE0\x9F\xBF", extraction::failure, 0, 3), "");
  static_assert(test("\xE0\xA0\x80", extraction::success, 0x800, 3), "");
  static_assert(test("\xEF\xBF\xBF", extraction::success, 0xFFFF, 3), "");

  static_assert(test("\xF7\xBF\xBF", extraction::failure, 0, 1), "");
  static_assert(test("\xF7\xBF\xBF\xFF", extraction::failure, 0, 3), "");
  static_assert(test("\xF0\x8F\xBF\xBF", extraction::failure, 0, 4), "");
  static_assert(test("\xF0\x90\x80\x80", extraction::success, 0x10000, 4), "");
  static_assert(test("\xF4\x8F\xBF\xBF", extraction::success, 0x10FFFF, 4), "");
  static_assert(test("\xF7\xBF\xBF\xBF", extraction::failure, 0, 4), "");

  static_assert(test("𝕫", extraction::success, 0x1D56B, 4), "");

  constexpr const static char text[] =
      "Hello あにま ➦ 👙 𝕫⊆𝕢 \x02\x01\b \xff\xff\xff ";

  std::cout << text << std::endl;

  auto data = boost::make_iterator_range(text);
  while (!data.empty()) {
    const extraction_attempt result = next_code_point(data);
    switch (result.status) {
    case extraction::success:
      if (boost::spirit::char_encoding::unicode::isprint(result.code_point)) {
        std::cout << next_character_bytes(data, result);
        break;
      }

    default:
    case extraction::failure:
      std::cout << "[";
      std::cout << std::hex << std::setw(2) << std::setfill('0');
      for (const auto byte : next_character_bytes(data, result)) {
        std::cout << int(std::uint8_t(byte));
      }
      std::cout << "]";
      break;
    }

    data.advance_begin(result.bytes_processed);
  }

  return 0;
}

输出:

Hello あにま ➦ 👙 𝕫⊆𝕢  ��� 
Hello あにま ➦ 👙 𝕫⊆𝕢 [02][01][08] [ff][ff][ff] [00]

---

如果我的 UTF8->UTF32 实现让您感到害怕，或者如果您需要对用户语言环境的支持:

• std::mbtoc32
  • 令人印象深刻，因为它是最明显的选择，但尚未在 libstdc++ 或 libc++ 中实现(也许是主干构建？)
  • 不可重入(当前语言环境和突然改变到别处)
• iterators provided by boost .
  • 抛出无效序列使其无法使用(无法通过错误序列)。
• boost::locale::conv和 C++11 std::codecvt
  • 旨在转换编码范围。
  • 需要将 UTF32 输出到控制台(更改区域设置)，或者一次转换一个字符以将源字节与 UTF32 值匹配。
• UTF8-CPP utf::next(和非抛出 utf8::internal::validate_next)。
  • IMO 两者 inconsistently update the iterator position .如果该函数未通过某些健全性检查，则迭代器位置是表示错误代码点的有效 utf8 序列的最后一个字节。文档说:

it: a reference to an iterator pointing to the beginning of an UTF-8 encoded code point. After the function returns, it is incremented to point to the beginning of the next code point.

这并不表示对异常的副作用(肯定有一些)。