Question

要求是能够对ASCII和Unicode字符串执行不区分大小写的操作。每个输入字符串使用UTF-16LE进行编码，并存储为std::basic_string<u_int16_t>数据类型。大多数建议指向ICU，所以我对它进行了尝试。

我写了一个示例代码来尝试一些示例输入：

#include <iostream.h>
#include "unicode/coll.h"

using namespace icu;
using namespace std;

int main()
{
    UErrorCode success = U_ZERO_ERROR;
    Collator *collator = Collator::createInstance("UTF-16LE", success);
    collator->setStrength(Collator::PRIMARY);

    if (collator->compare("dinç", "DINÇ") == 0) {
        cout << "Strings are equal" << endl;
    } else {
        cout << "Strings are unequal" << endl;
    }
    return 0;
}

有问题的字符串有土耳其字符。根据我的阅读，字符串比较应该失败，因为'i'和'I'在字符集中是不同的，无论它们是大写还是小写。但他们被认为是平等的。

几个问题：

在将字符串送入ICU之前，字符串是否应采用UTF-16编码？这会解决问题吗？
通常，哪些collator设置非常适合支持对UTF-16编码字符串进行不区分大小写的操作？我读到当强度设置为PRIMARY和SECONDARY时，它会导致不区分大小写的比较。除此之外，还有什么我可能会遗失的东西吗？

谢谢！

Answer 1

除此之外，还有什么我可能会遗失的东西吗？

YES！您的代码缺少土耳其语。

Unicode套管规则有点简单，直到你在那里获得土耳其语†。 Turkish Is are messy。 i的大写形式为İ，而非I，I的小写形式为ı，而不是i;对i / İ表示与ı / I对不同的字母。

这意味着对于不区分大小写的比较有两组不同的规则：一个i等于I（大多数语言环境），一个不同（土耳其语和阿塞拜疆语）区域设置）。

为了使用ICU获取土耳其语语言环境语义，您需要create a collator with a specific locale，在本例中为tr_TR语言环境。

†不仅土耳其语。有四种语言有奇怪的套管规则;从最不凌乱到地狱：土耳其语和阿塞拜疆语，立陶宛语，希腊语。

在ICU中获取正确的Collator设置

1 个答案:

在ICU中获取正确的Collat​​or设置

1 个答案:

在ICU中获取正确的Collator设置