'std::wstring_convert' 尽可能转换（从 UTF8 文件读取块）

Question

我正在从一个 utf-8 文本文件中获取文本，并按块执行以提高性能。

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

每个块我得到大约 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 "complex characters" 的东西，从而将 std::string 转换成 std::wstring。

我正在使用以下函数进行转换，

#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，在块的末尾，其中一个俄语字符可能会被截断，并且转换将失败，并显示 std::range_error exception.

例如，在 UTF-8 中，“привет”占用 15 个字符，“приве”占用 13 个字符。因此，如果我的块假设为 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块，以便下次包含这个有问题的 'т'？

我不想 try 或 catch 绕过这些函数，因为 try/catch 可能会减慢我的程序速度。它也没有告诉我 "how much of character was missing for the conversion to actually succeed".

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

Answer 1

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) 为 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 post 将 UTF-8 多字节字符转换为 UTF-16 多字节或 UTF-32 的代码字符

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;
}

'std::wstring_convert' 尽可能转换（从 UTF8 文件读取块）

'std::wstring_convert' to convert as much as possible (from a UTF8 file-read chunk)

c++

unicode

utf