Wie boost :: spirit verwendet wird, um UTF-8 zu parsen?

#include <algorithm> 
#include <iostream> 
#include <string> 
#include <vector> 

#define BOOST_SPIRIT_UNICODE // We'll use unicode (UTF8) all throughout 

#include <boost/spirit/include/qi.hpp> 
#include <boost/spirit/include/qi_parse.hpp> 
#include <boost/spirit/include/support_standard_wide.hpp> 

void parse_simple_string() 
{ 
    namespace qi = boost::spirit::qi;  
    namespace encoding = boost::spirit::unicode; 
    //namespace stw = boost::spirit::standard_wide; 

    typedef std::wstring::const_iterator iterator_type; 

    std::vector<std::wstring> result; 
    std::wstring const input = LR"(12,3","ab,cd","G,G\"GG","kkk","10,\"0","99987","PPP","你好)"; 

    qi::rule<iterator_type, std::wstring()> key = +(qi::unicode::char_ - qi::lit(L"\",\"")); 
    qi::phrase_parse(input.begin(), input.end(), 
        key % qi::lit(L"\",\""), 
        encoding::space, 
        result); 

    //std::copy(result.rbegin(), result.rend(), std::ostream_iterator<std::wstring, wchar_t> (std::wcout, L"\n")); 
    for(auto const &data : result) std::wcout<<data<<std::endl; 
}

studierte ich diesen Beitrag How to use Boost Spirit to parse Chinese(unicode utf-16)? und die Führungen folgen, aber nicht die Worte "你好"Wie boost :: spirit verwendet wird, um UTF-8 zu parsen?

die erwarteten Ergebnisse sollten

sein

12,3 ab, cd analysieren G, G \ "GG kkk 10, \" 0 PPP 你好

aber die tatsächlichen Ergebnisse sind 12,3 ab, cd G, G \ "GG kkk 10, \" 0 PPP

chinesische Wörter zu analysieren fehlgeschlagen "你好"

OS ist 64bits win7, mein Editor Speichern Sie die Wörter als UTF-8

Quelle

2012-12-03 StereoMatching

Ich bin verwirrt. Sie verwenden UTF8? Warum das Wstring dann? (UTF8 ist eine Codierung für einzelne/doppelte/dreifache Byte-Sequenzen, rechts). Ich fühle mich nicht qualifiziert, besser zu erklären, aber das ist ein Missverhältnis in meiner Wahrnehmung – sehe

1-4 Bytes. Aber ja, das ist eine ziemlich eklatante Diskrepanz. Bis 'char8_t' eingeführt wird, ist' char' für die meisten der UTF-8-Typ der Wahl. – Puppy

Was alle gesagt haben. 'wstring' ist bei Verwendung von UTF-8 einfach falsch. Wenn Sie richtig codierte UTF-8-Literale, insbesondere Windows *, wollen, ist der sicherste Weg, entweder die C++ 11-Literale 'u8" blah "' (die noch nicht in Visual Studio sind) oder Byte-Escapes mit dem Recht zu verwenden Kodierung direkt, dh "\ xE4 \ xBD \ xA0 \ xE5 \ xA5 \ xBD" statt "你好". –

Wenn Sie UTF-8 am Eingang haben, dann können Sie versuchen, Unicode Iterators von Boost.Regex zu verwenden.

Zum Beispiel Verwendung boost :: u8_to_u32_iterator:

A Bidirektionale Iterator-Adapter, der eine darunter liegende Sequenz von UTF8-Zeichen sieht aus wie eine (read-only) Folge von UTF32 Zeichen macht.

live demo

#include <boost/regex/pending/unicode_iterator.hpp> 
#include <boost/spirit/include/qi.hpp> 
#include <boost/range.hpp> 
#include <iterator> 
#include <iostream> 
#include <ostream> 
#include <cstdint> 
#include <vector> 

int main() 
{ 
    using namespace boost; 
    using namespace spirit::qi; 
    using namespace std; 

    auto &&utf8_text=u8"你好，世界！"; 
    u8_to_u32_iterator<const char*> 
     tbegin(begin(utf8_text)), tend(end(utf8_text)); 

    vector<uint32_t> result; 
    parse(tbegin, tend, *standard_wide::char_, result); 
    for(auto &&code_point : result) 
     cout << "&#" << code_point << ";"; 
    cout << endl; 
}

Ausgang ist:

&#20320;&#22909;&#65292;&#19990;&#30028;&#65281;&#0;

Quelle

2013-04-04 19:53:32

+1 gute Arbeit, Sir – sehe

Wie boost :: spirit verwendet wird, um UTF-8 zu parsen?

Antwort

Verwandte Themen