如何将代码点转换为 utf-8?

How to convert a codepoint to utf-8?

我有一些代码读取 unicode 代码点(在字符串 0xF00 中转义)。

由于我使用 ,我推测以下是否是最佳(和正确)方法:

unsigned int codepoint{0xF00};
boost::locale::conv::utf_to_utf<char>(&codepoint, &codepoint+1);

?

您可以使用标准库使用 std::wstring_convert 将 UTF-32(代码点)转换为 UTF-8:

#include <locale>
#include <codecvt>

std::string codepoint_to_utf8(char32_t codepoint) {
    std::wstring_convert<std::codecvt_utf8<char32_t>, char32_t> convert;
    return convert.to_bytes(&codepoint, &codepoint + 1);
}

这个 returns 一个 std::string 大小为 1、2、3 或 4,具体取决于 codepoint 的大小。如果代码点太大(> 0x10FFFF,最大 unicode 代码点),它将抛出 std::range_error


你的 boost 版本似乎在做同样的事情。 The documentation 表示 utf_to_utf 函数将 UTF 编码转换为另一种编码,在本例中为 32 到 8。如果您使用 char32_t,这将是一种 "correct" 方法,即将在 unsigned intchar32_t.

大小不同的系统上工作
// The function also converts the unsigned int to char32_t
std::string codepoint_to_utf8(char32_t codepoint) {
    return boost::locale::conv::utf_to_utf<char>(&codepoint, &codepoint + 1);
}

如前所述,此形式的代码点是(方便地)UTF-32,因此您正在寻找的是转码。

对于不依赖自 C++17 以来不推荐使用的函数的解决方案,并且不是很丑陋,也不需要大量 third-party 库,您可以使用非常轻量级的 UTF8-CPP(四小headers!)及其函数utf8::utf32to8.

它将看起来像这样:

const uint32_t codepoint{0xF00};
std::vector<unsigned char> result;

try
{
   utf8::utf32to8(&codepoint, &codepoint + 1, std::back_inserter(result));
}
catch (const utf8::invalid_code_point&)
{
   // something
}

(还有一个 utf8::unchecked::utf32to8,如果你对异常过敏的话。)

(并考虑阅读 vector<char8_t>std::u8string,自 C++20 起)。

(最后,请注意,我专门使用 uint32_t 来确保输入具有正确的宽度。)

我倾向于在项目中使用这个库,直到我需要一些更重的东西用于其他目的(此时我通常会切换到 ICU)。

C++17 弃用了许多处理 utf 的便利函数。不幸的是,最后剩下的将在 C++20 (*) 中弃用。话虽这么说 std::codecvt 仍然有效。从 C++11 到 C++17,你可以使用 std::codecvt<char32_t, char, mbstate_t>,从 C++20 开始,它将是 std::codecvt<char32_t, char8_t, mbstate_t>.

这里是一些代码转换 utf8 中的代码点(最多 0x10FFFF):

// codepoint is the codepoint to convert
// buff is a char array of size sz (should be at least 4 to convert any code point)
// on return sz is the used size of buf for the utf8 converted string
// the return value is the return value of std::codecvt::out (0 for ok)
std::codecvt_base::result to_utf8(char32_t codepoint, char *buf, size_t& sz) {
    std::locale loc("");
    const std::codecvt<char32_t, char, std::mbstate_t> &cvt =
                   std::use_facet<std::codecvt<char32_t, char, std::mbstate_t>>(loc);

    std::mbstate_t state{{0}};

    const char32_t * last_in;
    char *last_out;
    std::codecvt_base::result res = cvt.out(state, &codepoint, 1+&codepoint, last_in,
                                            buf, buf+sz, last_out);
    sz = last_out - buf;
    return res;
}

(*) std::codecvt 仍将存在于 C++20 中。简单地说,默认实例化将不再是 std::codecvt<char16_t, char, std::mbstate_t>std::codecvt<char32_t, char, std::mbstate_t>,而是 std::codecvt<char16_t, char8_t, std::mbstate_t>std::codecvt<char32_t, char8_t, std::mbstate_t>(注意 char8_t 而不是 char

在阅读了 C++ 中 UTF-8 支持的不稳定状态后,我偶然发现了相应的 C 支持 c32rtomb,这看起来很有前途,而且可能不会很快被弃用

#include <clocale>
#include <cuchar>
#include <climits>

size_t to_utf8(char32_t codepoint, char *buf)
{
    const char *loc = std::setlocale(LC_ALL, "en_US.utf8");
    std::mbstate_t state{};
    std::size_t len = std::c32rtomb(buf, codepoint, &state);
    std::setlocale(LC_ALL, loc);
    return len;
}

用法将是

char32_t codepoint{0xfff};
char buf[MB_LEN_MAX]{};
size_t len = to_utf8(codepoint, buf);

如果您的应用程序的当前语言环境已经是 UTF-8,您当然可以省略对 setlocale 的来回调用。