gpt4 book ai didi

c++ - 'std::wstring_convert' 尽可能多地转换(从 UTF8 文件读取 block )

转载 作者:行者123 更新时间:2023-11-30 04:56:50 24 4
gpt4 key购买 nike

我正在从一个 utf-8 文本文件中获取文本,并按 block 执行以提高性能。

std::ifstream.read(myChunkBuff_str, myChunkBuff_str.length())

Here is a more detailed example

我在每个 block 中得到大约 16,000 个字符。我的下一步是将这个 std::string 转换成可以让我单独处理这些“复杂字符”的东西,从而将那个 std::string 转换成 std::wstring

我正在使用以下函数进行转换,taken from here:

#include <string>
#include <codecvt>
#include <locale>

std::string narrow (const std::wstring& wide_string)
{
std::wstring_convert <std::codecvt_utf8 <wchar_t>, wchar_t> convert;
return convert.to_bytes (wide_string);
}

std::wstring widen (const std::string& utf8_string)
{
std::wstring_convert <std::codecvt_utf8 <wchar_t>, wchar_t> convert;
return convert.from_bytes (utf8_string);
}

但是,在 block 的末尾,其中一个俄语字符可能会被截断,并且转换将失败,并出现 std::range_error 异常

例如,在 UTF-8 中,“привет”占用 15 个字符,“приве”占用 13 个字符。因此,如果我的 block 假设为 14,则“т”将部分丢失,并且转换将引发异常。

问题:

如何检测这些部分加载的字符? (在这种情况下为 'т')这将允许我在没有它的情况下进行转换,并且可能比计划提前一点移动下一个 block ,以便下次包含这个有问题的 'т'?

我不想围绕这些函数trycatch,因为try/catch 可能会减慢我的程序速度。它也没有告诉我“要使转换真正成功,缺少多少字符”。

我知道 wstring_convert::converted() 但如果我的程序在我开始之前就崩溃了,它就没什么用了

最佳答案

您可以使用几个函数来完成此操作。 UTF-8 有一种方法可以检测多字节字符的开头和(从开头)多字节字符的大小。

所以两个函数:

// returns zero if this is the first byte of a UTF-8 char
// otherwise non-zero.
static unsigned is_continuation(char c)
{
return (c & 0b10000000) && !(c & 0b01000000);
}

// if c is the *first* byte of a UTF-8 multibyte character, returns
// the total number of bytes of the character.
static unsigned size(const unsigned char c)
{
constexpr static const char u8char_size[] =
{
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1
, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1
, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1
, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1
, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1
, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1
, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1
, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1
, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0
, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0
, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0
, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0
, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2
, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2
, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3
, 4, 4, 4, 4, 4, 4, 4, 4, 5, 5, 5, 5, 6, 6, 0, 0
};
return u8char_size[(unsigned char)c];
}

您可以从缓冲区的末尾回溯,直到 is_continuation(c)false。然后检查当前 UTF-8 字符的 size(c) 是否比缓冲区的末尾长。

免责声明 - 上次我看到这些功能可以正常工作,但已经有一段时间没有使用了。

编辑:添加。

如果您想手动完成整个操作,我也可以发布将 UTF-8 多字节字符转换为 UTF-16 多字节或 UTF-32 字符。

UTF-32 很简单:

// returns a UTF-32 char from a `UTF-8` multibyte
// character pointed to by cp
static char32_t char32(const char* cp)
{
auto sz = size(*cp); // function above

if(sz == 1)
return *cp;

char32_t c32 = (0b0111'1111 >> sz) & (*cp);

for(unsigned i = 1; i < sz; ++i)
c32 = (c32 << 6) | (cp[i] & 0b0011'1111);

return c32;
}

UTF-16 有点棘手:

// UTF-16 characters can be 1 or 2 characters wide...
using char16_pair = std::array<char16_t, 2>;

// outputs a UTF-16 char in cp16 from a `UTF-8` multibyte
// character pointed to by cp
//
// returns the number of characters in this `UTF-16` character
// (1 or 2).
static unsigned char16(const char* cp, char16_pair& cp16)
{
char32_t c32 = char32(cp);

if(c32 < 0xD800 || (c32 > 0xDFFF && c32 < 0x10000))
{
cp16[0] = char16_t(c32);
cp16[1] = 0;
return 1;
}

c32 -= 0x010000;

cp16[0] = ((0b1111'1111'1100'0000'0000 & c32) >> 10) + 0xD800;
cp16[1] = ((0b0000'0000'0011'1111'1111 & c32) >> 00) + 0xDC00;

return 2;
}

关于c++ - 'std::wstring_convert' 尽可能多地转换(从 UTF8 文件读取 block ),我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/52338904/

24 4 0
Copyright 2021 - 2024 cfsdn All Rights Reserved 蜀ICP备2022000587号
广告合作:1813099741@qq.com 6ren.com