Unter der Annahme, dass Ihre Linux-Umgebung verwendet UTF-8-Codierung dann der folgende Code Ihr Programm für die einfache Unicode-Behandlung in C++ wird vorbereitet:
int main(int argc, char * argv[]) {
std::setlocale(LC_CTYPE, "");
// ...
}
Als nächstes Wchar_t Typ ist 32-Bit unter Linux, was bedeutet, es kann einzelne Unicode-Codepunkte enthalten, und Sie können den wstring-Typ für die klassische Zeichenfolgenverarbeitung in C++ (Zeichen für Zeichen) verwenden. Mit setlocale call oben wird das Einfügen in wcout automatisch Ihre Ausgabe in UTF-8 übersetzen und das Extrahieren von wcin wird UTF-8-Eingabe automatisch in UTF-32 übersetzen (1 Zeichen = 1 Codepunkt). Das einzige verbleibende Problem besteht darin, dass argv [i] -Strings immer noch UTF-8-codiert sind.
Sie können die folgende Funktion verwenden, um UTF-8 in UTF-32 zu decodieren.Wenn die Eingabezeichenfolge beschädigt ist, werden korrekt konvertierte Zeichen zurückgegeben, bis die UTF-8-Regeln unterbrochen wurden. Sie können es verbessern, wenn Sie mehr Fehlermeldungen benötigen. Aber für argv Daten kann man mit Sicherheit davon ausgehen, dass es richtig UTF-8 ist:
#define ARR_LEN(x) (sizeof(x)/sizeof(x[0]))
wstring Convert(const char * s) {
typedef unsigned char byte;
struct Level {
byte Head, Data, Null;
Level(byte h, byte d) {
Head = h; // the head shifted to the right
Data = d; // number of data bits
Null = h << d; // encoded byte with zero data bits
}
bool encoded(byte b) { return b>>Data == Head; }
}; // struct Level
Level lev[] = {
Level(2, 6),
Level(6, 5),
Level(14, 4),
Level(30, 3),
Level(62, 2),
Level(126, 1)
};
wchar_t wc = 0;
const char * p = s;
wstring result;
while (*p != 0) {
byte b = *p++;
if (b>>7 == 0) { // deal with ASCII
wc = b;
result.push_back(wc);
continue;
} // ASCII
bool found = false;
for (int i = 1; i < ARR_LEN(lev); ++i) {
if (lev[i].encoded(b)) {
wc = b^lev[i].Null; // remove the head
wc <<= lev[0].Data * i;
for (int j = i; j > 0; --j) { // trailing bytes
if (*p == 0) return result; // unexpected
b = *p++;
if (!lev[0].encoded(b)) // encoding corrupted
return result;
wchar_t tmp = b^lev[0].Null;
wc |= tmp << lev[0].Data*(j-1);
} // trailing bytes
result.push_back(wc);
found = true;
break;
} // lev[i]
} // for lev
if (!found) return result; // encoding incorrect
} // while
return result;
} // wstring Convert