Question

我有一个 Delphi 7 应用程序，我处理ANSI字符串，我需要计算它们的字符数（而不是字节数）。我总是知道与字符串相关联的Charset（以及代码页）。

所以，知道Charset（代码页），我目前正在使用MultiByteToWideChar来获取字符数。当Charset是中文，韩文或日文字符集之一时，它很有用，其中大多数字符长度为2个字节，只使用Length函数不会给我我想要的内容。

但是，它仍将复合字符计为两个字符，我需要将它们计为一个字符。现在，一些复合字符具有Unicode中的预合成版本，因为默认情况下使用MB_PRECOMPOSED，所以这些版本将被正确计为一个字符。但是许多字符根本不存在于预先组合中，例如希伯来语，阿拉伯语，泰语等字符，并且这些字符被计为两个。

所以问题确实是：如何将复合字符计为单个字符？我不介意将ANSI字符串转换为宽字符串来计算字符数，我已经在做了无论如何都要MultiByteToWideChar。

Answer 1

您可以像这样计算Unicode代码点：

function CodePointCount(P: PWideChar): Integer;
var
  Count: Integer;
begin
  Count := 0;
  while Word(P^)<>0 do
  begin
    if (Word(P^)>=$D800) and (Word(P^)<=$DFFF) then
      // part of surrogate pair
      inc(Count)
    else 
      inc(Count, 2);
    inc(P);
  end;  
  Result := Count div 2;
end;

这涵盖了您未提及的问题。即，UTF-16是可变宽度编码。

但是，这不会告诉您UTF-16字符串表示的字形数。那是因为一些代码点代表组合字符。这些组合字符与其邻居组合以形成单个等效字符。所以，多个代码点，单个字形。可以在此处找到更多信息：http://en.wikipedia.org/wiki/Unicode_equivalence

这是一个更难的问题。要解决这个问题，您的代码需要完全理解每个Unicode代码点的含义。它是一个结合角色吗？它是如何结合的？真的，你需要一个专用的Unicode库。例如ICU。

我给你的另一个建议是放弃使用ANSI代码页。如果您真的关心国际化，那么您需要使用Unicode。

如何获取Delphi中文本的字符数（而不是字节数）？

1 个答案: