Question

如何在C ++ 14及更高版本中在Unicode / UCS代码点和UTF16代理项对之间来回转换？

编辑：删除了对UCS-2代理人的提及，因为没有这样的事情。谢谢@remy-lebeau！

Answer 1

surrogate-pairs标记info page解释（优于§3.9，表3-5中的Unicode Standard 9.0指定。）从codepoint转换为代理对的算法如下：< / p>

基本多语言平面之外的Unicode字符，即代码大于0xFFFF的字符，由UTF-16编码，由称为代理项对的16位代码单元对，通过以下方案：

  从代码点中减去
0x010000，在0..0x0FFFFF范围内留下20位数字;

前十位（0..0x03FF范围内的数字）被添加到0xD800以给出第一个代码单元或高代理，它将在0xD800..0xDBFF范围内;

低十位（也在0..0x03FF范围内）被添加到0xDC00以给出第二个代码单元或低代理，它将在0xDC00..0xDFFF范围内。

在C ++ 14及更高版本中，这可以写成：

#include <cstdint>

using codepoint = std::uint32_t;
using utf16 = std::uint16_t;

struct surrogate {
    utf16 high; // Leading
    utf16 low;  // Trailing
};

constexpr surrogate split(codepoint const in) noexcept {
    auto const inMinus0x10000 = (in - 0x10000);
    surrogate const r{
            static_cast<utf16>((inMinus0x10000 / 0x400) + 0xd800), // High
            static_cast<utf16>((inMinus0x10000 % 0x400) + 0xdc00)}; // Low
    return r;
}

在相反的方向上，只需要组合来自高代理的最后10位和来自低代理的最后10位，并添加0x10000：

constexpr codepoint combine(surrogate const s) noexcept {
    return static_cast<codepoint>(
            ((s.high - 0xd800) * 0x400) + (s.low - 0xdc00) + 0x10000);
}

以下是对这些转换的测试：

#include <cassert>

constexpr bool isValidUtf16Surrogate(utf16 v) noexcept
{ return (v & 0xf800) == 0xd800; }

constexpr bool isValidCodePoint(codepoint v) noexcept {
    return (v <= 0x10ffff)
        && ((v >= 0x10000) || !isValidUtf16Surrogate(static_cast<utf16>(v)));
}

constexpr bool isValidUtf16HighSurrogate(utf16 v) noexcept
{ return (v & 0xfc00) == 0xd800; }

constexpr bool isValidUtf16LowSurrogate(utf16 v) noexcept
{ return (v & 0xfc00) == 0xdc00; }

constexpr bool codePointNeedsUtf16Surrogates(codepoint v) noexcept
{ return (v >= 0x10000) && (v <= 0x10ffff); }

void test(codepoint const in) {
    assert(isValidCodePoint(in));
    assert(codePointNeedsUtf16Surrogates(in));
    auto const s = split(in);
    assert(isValidUtf16HighSurrogate(s.high));
    assert(isValidUtf16LowSurrogate(s.low));
    auto const out = combine(s);
    assert(isValidCodePoint(out));
    assert(in == out);
}

int main() {
    for (codepoint c = 0x10000; c <= 0x10ffff; ++c)
        test(c);
}

Answer 2

在C ++ 11及更高版本中，您可以使用std::wstring_convert使用以下std::codecvt类型在各种UTF / UCS编码之间进行转换：

UTF-8＆lt; - ＆gt; UCS-2：
std::codecvt_utf8<char16_t>
UTF-8＆lt; - ＆gt; UTF-16：
std::codecvt_utf8_utf16
UTF-8＆lt; - ＆gt; UTF-32 / UCS-4：
std::codecvt_utf8<char32_t>
UCS-2＆lt; - ＆gt; UTF-16：
std::codecvt_utf16<char16_t>
UTF-16＆lt; - ＆gt; UTF-32 / UCS-4：
std::codecvt_utf16<char32_t>
UCS-2＆lt; - ＆gt; UTF-32 / UCS-4：
没有标准转换，但如果需要，您可以为它编写自己的std::codecvt类。否则，请使用上述转换之一：
UCS-2 <-> UTF-X <-> UTF-32/UCS-4

您不需要手动处理代理人。

您可以使用std::u32string来保存您的代码点，并使用std::u16string来保存您的UTF-16 / UCS-2代码单元。

例如：

using convert_utf16_uf32 = std::wstring_convert<std::codecvt_utf16<char32_t>, char16_t>;

std::u16string CodepointToUTF16(const char32_t codepoint)
{
    const char32_t *p = &codepoint;
    return convert_utf16_uf32{}.from_bytes(
        reinterpret_cast<const char*>(p),
        reinterpret_cast<const char*>(p+1)
    );
}

std::u16string UTF32toUTF16(const std::u32string &str)
{
    return convert_utf16_uf32{}.from_bytes(
        reinterpret_cast<const char*>(str.data()),
        reinterpret_cast<const char*>(str.data()+str.size())
    );
}

char32_t UTF16toCodepoint(const std::u16string &str)
{
    std::string bytes = convert_utf16_uf32{}.to_bytes(str);
    return *(reinterpret_cast<const char32_t*>(bytes.data()));
}

std::u32string UTF16toUTF32(const std::u16string &str)
{
    std::string bytes = convert_utf16_uf32{}.to_bytes(str);
    return std::u32string(
       reinterpret_cast<const char32_t*>(bytes.data()),
       bytes.size() / sizeof(char32_t)
    );
}

如何在Unicode / UCS代码点和UTF16代理对之间进行转换？

2 个答案: