Error
C++博客 首页 新随笔 联系 聚合 管理
  217 Posts :: 61 Stories :: 32 Comments :: 0 Trackbacks
转 C++11与Unicode及使用标准库进行UTF-8、UTF-16、UCS2、UCS4/UTF-32编码转换 utf8转utf16 utf16转utf8

C++11与Unicode及使用标准库进行UTF-8、UTF-16、UCS2、UCS4/UTF-32编码转换

作者:  日期: 2014年2月28日发表评论 (0)查看评论

Unicode

Unicode是计算机领域的一项行业标准，它对世界上绝大部分的文字的进行整理和统一编码，Unicode的编码空间可以划分为17个平面（plane），每个平面包含2的16次方（65536）个码位。17个平面的码位可表示为从U+0000到U+10FFFF，共计1114112个码位，第一个平面称为基本多语言平面（Basic Multilingual Plane, BMP），或称第零平面（Plane 0）。其他平面称为辅助平面（Supplementary Planes）。基本多语言平面内，从U+D800到U+DFFF之间的码位区段是永久保留不映射到Unicode字符，所以有效码位为1112064个。最新的版本是Unicode 6.3发布于2013年9月30日。

Unicode的编码方式

对于被Unicode收录的字符其编码是唯一且确定的。但是Unicode的实现方式(出于传输、存储、处理或向后兼容的考虑)却有不同的几种，其中最流行的是UTF-8、UTF-16、UCS2、UCS4/UTF-32等，细分的话还有大小端的区别。

UTF-8(8-bit Unicode Transformation Format)

UTF-8是一种变长编码，对于一个Unicode的字符被编码成1至4个字节。Unicode编码与UTF-8的编码的对应关系如下表

Unicode编码UTF-8编码(二进制)
U+0000 – U+007F0xxxxxxx
U+0080 – U+07FF110xxxxx 10xxxxxx
U+0800 – U+FFFF1110xxxx 10xxxxxx 10xxxxxx
U+10000 – U+10FFFF11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

其中绝大部分的中文用三个字节编码，部分中文用四个字节编码，举例如下:

Unicode字符UTF-8编码
U+0041A0×41
U+7834破0xE7 0xA0 0xB4
U+6653晓0xE6 0×99 0×93
U+2A6A5𪚥(四个龍)0xF0 0xAA 0x9A 0xA5

优点:
1.向后兼容ASCII编码；
2.没有字节序(大小端)的问题适合网络传输；
3.存储英文和拉丁文等字符非常节省存储空间。
缺点:
1.变长编码不利于文本处理；
2.对于CJK等文字比较浪费存储空间。

UTF-16(16-bit Unicode Transformation Format)

UTF-16也是一种变长编码，对于一个Unicode字符被编码成1至2个码元，每个码元为16位。

基本多语言平面（码位范围U+0000-U+FFFF）

在基本多语言平面内的码位UTF-16编码使用1个码元且其值与Unicode是相等的（不需要转换）。举例如下

Unicode字符UTF-16（码元）UTF-16 LE（字节）UTF-16 BE（字节）
U+0041A0×00410×41 0×000×00 0×41
U+7834破0×78340×34 0×780×78 0×34
U+6653晓0×66530×53 0×660×66 0×53

辅助平面（码位范围U+10000-U+10FFFF）

在辅助平面内的码位在UTF-16中被编码为一对16bit的码元（即32bit,4字节），称作代理对(surrogate pair)。组成代理对的两个码元前一个称为前导代理(lead surrogates)范围为0xD800-0xDBFF，后一个称为后尾代理(trail surrogates)范围为0xDC00-0xDFFF。UTF-16辅助平面代理对与Unicode的对应关系如下表

Lead \ Trail0xDC000xDC01…0xDFFF
0xD800U+10000U+10001…U+103FF
0xD801U+10400U+10401…U+107FF
⋮⋮⋮⋱⋮
0xDBFFU+10FC00U+10FC01…U+10FFFF

举例如下

Unicode字符UTF-16（码元）UTF-16 LE（字节）UTF-16 BE（字节）
U+2A6A5𪚥0xD869 0xDEA50×69 0xD8 0xA5 0xDE0xD8 0×69 0xDE 0xA5

优点:
1.绝大部分的文字都可以用两个字节编码，对于CJK文字是比较节省空间的；
2.文本处理比UTF-8方便得多。
缺点:
1.存储和传输需要考虑字节序的问题；
2.不兼容ASCII。

UCS2(2-byte Universal Character Set)

UCS2是一种定长编码，编码范围为0×0000-0xFFFF。在基本多语言平面内与UTF-16是等价。UCS2没有类似于UTF-16中代理对的概念，所以对于0xD869 0xDEA5会识别成两个字符。因为是定长编码，所以文本处理很方便。缺点是不能表示全部的Unicode字符。

UCS4(4-byte Universal Character Set)/UTF-32(32-bit Unicode Transformation Format)

UCS4/UTF-32是一种定长编码，使用1个32bit的码元，其值与Unicode编码值相等。举例如下:

Unicode字符UTF-32（码元）UTF-32 LE（字节）UTF-32 BE（字节）
U+0041A0×000000410×41 0×00 0×00 0×000×00 0×00 0×00 0×41
U+7834破0×000078340×34 0×78 0×00 0×000×00 0×00 0×78 0×34
U+6653晓0×000066530×53 0×66 0×00 0×000×00 0×00 0×66 0×53
U+2A6A5𪚥0x0002A6A50xA5 0xA6 0×02 0×000×00 0×02 0xA6 0xA5

优点是编码定长容易进行文本处理，缺点是浪费存储空间及存在字节序的问题。

C++11对Unicode的支持

C++11对Unicode提供了语言级别和库级别的支持。

USL(Unicode String Literals)

USL是C++11对Unicode提供的语言级别的支持。在C++11之前C++中有个wchar_t的类型用于存储宽字符（Wide-Character）。你可以写下面这样的代码，

1
2
3
wchar_t wc = L'中';
wchar_t wc_array[] = L"破晓的博客";
std::wstring wstr = L"破晓的博客";

以L开头的字符(或字符串)字面量称为WCSL(Wide-Character String Literals)。本意大概也是用来提供Unicode支持的，可惜标准没有规定这个的实现，wchar_t及其字面量是实现相关的。比如
1.在windows平台下sizeof(wchar_t)为2，而在linux平台下sizeof(wchar_t)为4；
2.在windows平台下宽字符(或字符串)字面量使用UTF-16编码，linux平台下使用UTF-32编码。
导致了下面这段代码在windows下编译时会报错，而在linux下可以编译通过。

1
wchar_t wc = L'𪚥'; // U+2A6A5

导致下面这段代码的输出结果不同，windows下输出为2而linux下的输出为1。

1
2
std::wstring wstr = L"𪚥";
std::cout << wstr.size() << std::endl;

C++11新增了char16_t(至少16位)和char32_t(至少32位)以及USL允许下面这样的代码

1
2
3
4
5
6
7
8
9
10
11
// utf-8
char u8_array[] = u8"破晓的博客";
std::string u8_str = u8"破晓的博客";
// utf-16
char16_t u16_c = u'中';
char16_t u16_array[] = u"破晓的博客";
std::u16string u16_str = u"破晓的博客";
// ucs4
char32_t u32_c = U'𪚥';
char32_t u32_array[] = U"破晓的博客";
std::u32string u32_str = U"破晓的博客";

上面在字符(或字符串)字面量前面的u8、u及U前缀分别表示这是UTF-8、UTF-16和UCS4编码的字符(或字符串)字面量，用法与L前缀类似。下面是一段测试代码，print_code_uint_sequence函数模板用于输出字符串的码元序列。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
#include <string>
#include <iostream>
#include <iomanip>
#include <type_traits>
 
template<typename tStringType, typename tTraits = typename tStringType::traits_type>
void print_code_unit_sequence(tStringType str)
{
    using char_type = typename tTraits::char_type;
    static_assert(std::is_same<char_type, char>::value || std::is_same<char_type, char16_t>::value || std::is_same<char_type, char32_t>::value, "error");
    using unsigned_char_type = typename std::make_unsigned<char_type>::type;
    using unsigned_int_type = typename std::make_unsigned<typename tTraits::int_type>::type;
    int w = std::is_same<char, char_type>::value ? 2 : std::is_same<char16_t, char_type>::value ? 4 : 8;
    for(auto c : str) {
        auto value = static_cast<unsigned_int_type>(static_cast<unsigned_char_type>(c));
        std::cout << "0x" << std::hex << std::uppercase << std::setw(w) << std::setfill('0') << value << ' ';
    }
}
 
int main()
{
    std::string u8_str = u8"𪚥"; // utf-8
    std::u16string u16_str = u"𪚥"; // utf-16
    std::u32string u32_str = U"𪚥"; // ucs4
    std::cout << "utf-8: ";
    print_code_unit_sequence(u8_str);
    std::cout << std::endl;
    std::cout << "utf-16: ";
    print_code_unit_sequence(u16_str);
    std::cout << std::endl;
    std::cout << "ucs4: ";
    print_code_unit_sequence(u32_str);
    std::cout << std::endl;
}

输出

1
2
3
utf-8: 0xF0 0xAA 0x9A 0xA5
utf-16: 0xD869 0xDEA5
ucs4: 0x0002A6A5

使用C++11标准库进行编码转换

C++11标准库在<codecvt>头文件中定义了3个Unicode编码转换的Facet

Facet说明
std::codecvt_utf8封装了UTF-8与UCS2及UTF-8与UCS4的编码转换
std::codecvt_utf16封装了UTF-16与UCS2及UTF-16与UCS4的编码转换
std::codecvt_utf8_utf16封装了UTF-8与UTF-16的编码转换

当要转换的字符串为std::basic_string使用<locale>头文件中定义的std::wstring_convert类模板会带来极大的方便。

1
2
3
4
5
template<class Codecvt,
    class Elem = wchar_t,
    class Wide_alloc = std::allocator<Elem>,
    class Byte_alloc = std::allocator<char>>
class wstring_convert;

UTF-8与UTF-16编码转换

UTF-8与UTF-16的编码转换使用std::codecvt_utf8_utf16类模板

1
2
3
4
template<class Elem,
    unsigned long Maxcode = 0x10ffff,
    std::codecvt_mode Mode = (std::codecvt_mode)0>
class codecvt_utf8_utf16 : public std::codecvt<Elem, char, std::mbstate_t>;

其中Elem用于存储UTF-16码元，可以是char16_t、char32_t或wchar_t（这些类型都至少能够存储16bit）。下面的代码演示了UTF-8到UTF-16和UTF-16到UTF-8的编码转换

1
2
3
4
5
6
7
8
9
10
11
12
13
std::string u8_source_str = u8"破晓的博客"; // utf-8
std::wstring_convert<std::codecvt_utf8_utf16<char16_t>, char16_t> cvt;
std::u16string u16_cvt_str = cvt.from_bytes(u8_source_str); // utf-8 to utf-16
std::string u8_cvt_str = cvt.to_bytes(u16_cvt_str); // utf-16 to utf-8
std::cout << "u8_source_str = ";
print_code_unit_sequence(u8_source_str);
std::cout << std::endl;
std::cout << "u16_cvt_str = ";
print_code_unit_sequence(u16_cvt_str);
std::cout << std::endl;
std::cout << "u8_cvt_str = ";
print_code_unit_sequence(u8_cvt_str);
std::cout << std::endl;

输出

1
2
3
u8_source_str = 0xE7 0xA0 0xB4 0xE6 0x99 0x93 0xE7 0x9A 0x84 0xE5 0x8D 0x9A 0xE5 0xAE 0xA2
u16_cvt_str = 0x7834 0x6653 0x7684 0x535A 0x5BA2
u8_cvt_str = 0xE7 0xA0 0xB4 0xE6 0x99 0x93 0xE7 0x9A 0x84 0xE5 0x8D 0x9A 0xE5 0xAE 0xA2

UTF-8与UCS2编码转换及UTF-8与UCS4编码转换

UTF-8与UCS2或UCS4编码转换使用std::codecvt_utf8类模板

1
2
3
4
template<class Elem,
    unsigned long Maxcode = 0x10ffff,
    std::codecvt_mode Mode = (std::codecvt_mode)0>
class codecvt_utf8 : public std::codecvt<Elem, char, std::mbstate_t>;

当Elem为char16_t时转换为UTF-8与UCS2，当Elem为char32_t时转换为UTF-16与UCS4，当Elem为wchar_t时转换取决于实现。演示如下

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
std::string u8_source_str = u8"破晓的博客"; // utf-8
std::wstring_convert<std::codecvt_utf8<char16_t>, char16_t> utf8_ucs2_cvt;
std::u16string ucs2_cvt_str = utf8_ucs2_cvt.from_bytes(u8_source_str); // utf-8 to ucs2
std::string u8_str_from_ucs2 = utf8_ucs2_cvt.to_bytes(ucs2_cvt_str); // ucs2 to utf-8
std::wstring_convert<std::codecvt_utf8<char32_t>, char32_t> utf8_ucs4_cvt;
std::u32string ucs4_cvt_str = utf8_ucs4_cvt.from_bytes(u8_source_str); // utf-8 to ucs4
std::string u8_str_from_ucs4 = utf8_ucs4_cvt.to_bytes(ucs4_cvt_str); // ucs4 to utf-8
std::cout << "u8_source_str: ";
print_code_unit_sequence(u8_source_str);
std::cout << std::endl;
std::cout << "ucs2_cvt_str: ";
print_code_unit_sequence(ucs2_cvt_str);
std::cout << std::endl;
std::cout << "u8_str_from_ucs2: ";
print_code_unit_sequence(u8_str_from_ucs2);
std::cout << std::endl;
std::cout << "ucs4_cvt_str: ";
print_code_unit_sequence(ucs4_cvt_str);
std::cout << std::endl;
std::cout << "u8_str_from_ucs4: ";
print_code_unit_sequence(u8_str_from_ucs4);
std::cout << std::endl;

输出

1
2
3
4
5
u8_source_str: 0xE7 0xA0 0xB4 0xE6 0x99 0x93 0xE7 0x9A 0x84 0xE5 0x8D 0x9A 0xE5 0xAE 0xA2
ucs2_cvt_str: 0x7834 0x6653 0x7684 0x535A 0x5BA2
u8_str_from_ucs2: 0xE7 0xA0 0xB4 0xE6 0x99 0x93 0xE7 0x9A 0x84 0xE5 0x8D 0x9A 0xE5 0xAE 0xA2
ucs4_cvt_str: 0x00007834 0x00006653 0x00007684 0x0000535A 0x00005BA2
u8_str_from_ucs4: 0xE7 0xA0 0xB4 0xE6 0x99 0x93 0xE7 0x9A 0x84 0xE5 0x8D 0x9A 0xE5 0xAE 0xA2

与UCS2进行转换时需要注意的是，由于UCS2不能表示全部Unicode，所以当向UCS2转换时UCS2无法表示时会抛出std::range_error异常。

UTF-16与UCS2编码转换及UTF-16与UCS4编码转换

UTF-16转UCS2或UCS4使用std::codecvt_utf16类模板

1
2
3
4
template<class Elem,
    unsigned long Maxcode = 0x10ffff,
    std::codecvt_mode Mode = (std::codecvt_mode)0>
class codecvt_utf16 : public std::codecvt<Elem, char, std::mbstate_t>;

这里以UTF-16与UCS4的转换为例Elem为char32_t，UTF-16与UCS2的转换类似只是Elem需为char16_t。
由于std::wstring_convert是用于在byte string和wide string之间转换，使用std::codecvt_utf16时UTF-16字符串作为byte string，因此使用这个转换时就需要考虑字节序的问题。std::codecvt_utf16类模板的第3个模板参数Mode类型为std::codecvt_mode

1
2
3
4
5
enum codecvt_mode {
    consume_header = 4,
    generate_header = 2,
    little_endian = 1
};

这三个枚举值的含义如下表

枚举值描述
consume_header告诉codecvt需要处理输入的byte string中的BOM(Byte Order Mark)
generate_header告诉codecvt在输出的byte string中添加BOM
little_endian告诉codecvt将byte string的字节序视为小端(Little Endian)，默认为大端(Big Endian)

下面的代码演示了UTF-16 BE和UTF-16 LE编码到UCS4编码的转换

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
std::string u16le_byte_str = "\x34\x78\x53\x66"; // utf-16 Little Endian
std::string u16be_byte_str = "\x78\x34\x66\x53"; // utf-16 Big Endian
std::wstring_convert<std::codecvt_utf16<char32_t, 0x10ffff, std::little_endian>, char32_t> utf16le_cvt; // little endian
std::wstring_convert<std::codecvt_utf16<char32_t>, char32_t> utf16be_cvt; // default big endian
std::u32string u32_str_from_le = utf16le_cvt.from_bytes(u16le_byte_str); // utf-16 to ucs4
std::u32string u32_str_from_be = utf16be_cvt.from_bytes(u16be_byte_str); // utf-16 to ucs4
std::cout << "u16le_byte_str: ";
print_code_unit_sequence(u16le_byte_str);
std::cout << std::endl;
std::cout << "u16be_byte_str: ";
print_code_unit_sequence(u16be_byte_str);
std::cout << std::endl;
std::cout << "u32_str_from_le: ";
print_code_unit_sequence(u32_str_from_le);
std::cout << std::endl;
std::cout << "u32_str_from_be: ";
print_code_unit_sequence(u32_str_from_be);
std::cout << std::endl;

输出如下

1
2
3
4
u16le_byte_str: 0x34 0x78 0x53 0x66
u16be_byte_str: 0x78 0x34 0x66 0x53
u32_str_from_le: 0x00007834 0x00006653
u32_str_from_be: 0x00007834 0x00006653

通过设置Mode成功将不同字节序UTF-16编码的字符串进行了正确的转换。

BOM(Byte Order Mark)

字节序标记是插入到以UTF-8、UTF-16或UTF-32编码Unicode文件开头的特殊标记，用于标识文本编码及字节序。

编码BOM
UTF-80xEF 0xBB 0xBF
UTF-16 BE0xFE 0xFF
UTF-16 LE0xFF 0xFE
UTF-32 BE0×00 0×00 0xFE 0xFF
UTF-32 LE0xFF 0xFE 0×00 0×00

下面的代码演示了通过BOM指示UTF-16编码字符串的字节序，codecvt的第3个参数需设置为std::consume_header

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
std::string u16le_byte_str = "\xff\xfe\x34\x78\x53\x66"; // utf-16 little endian with BOM
std::string u16be_byte_str = "\xfe\xff\x78\x34\x66\x53"; // utf-16 big endian with BOM
std::wstring_convert<std::codecvt_utf16<char32_t, 0x10ffff, std::consume_header>, char32_t> utf16le_cvt; // little endian
std::wstring_convert<std::codecvt_utf16<char32_t, 0x10ffff, std::consume_header>, char32_t> utf16be_cvt; // default big endian
std::u32string u32_str_from_le = utf16le_cvt.from_bytes(u16le_byte_str); // utf-16 to ucs4
std::u32string u32_str_from_be = utf16be_cvt.from_bytes(u16be_byte_str); // utf-16 to ucs4
std::cout << "u16le_byte_str: ";
print_code_unit_sequence(u16le_byte_str);
std::cout << std::endl;
std::cout << "u16be_byte_str: ";
print_code_unit_sequence(u16be_byte_str);
std::cout << std::endl;
std::cout << "u32_str_from_le: ";
print_code_unit_sequence(u32_str_from_le);
std::cout << std::endl;
std::cout << "u32_str_from_be: ";
print_code_unit_sequence(u32_str_from_be);
std::cout << std::endl;

输出

1
2
3
4
u16le_byte_str: 0xFF 0xFE 0x34 0x78 0x53 0x66
u16be_byte_str: 0xFE 0xFF 0x78 0x34 0x66 0x53
u32_str_from_le: 0x00003478 0x00005366
u32_str_from_be: 0x00007834 0x00006653

当UCS4转UTF-16时输出为byte string，可以通过设置Mode为std::generate_header来使输出带BOM，下面的代码通过UCS4转UTF-16 LE和UTF-16 BE演示了std::generate_header的使用

1
2
3
4
5
6
7
8
9
10
11
12
13
14
std::u32string u32_str = U"破晓"; // ucs4
std::wstring_convert<std::codecvt_utf16<char32_t, 0x10ffff, static_cast<std::codecvt_mode>(std::generate_header | std::little_endian)>, char32_t> utf16le_cvt; // little endian
std::wstring_convert<std::codecvt_utf16<char32_t, 0x10ffff, static_cast<std::codecvt_mode>(std::generate_header)>, char32_t> utf16be_cvt; // default big endian
std::string u16le_byte_str = utf16le_cvt.to_bytes(u32_str); // ucs4 to utf-16 little endian with BOM
std::string u16be_byte_str = utf16be_cvt.to_bytes(u32_str); // ucs4 to utf-16 big endian with BOM
std::cout << "u32_str: ";
print_code_unit_sequence(u32_str);
std::cout << std::endl;
std::cout << "u16le_byte_str: ";
print_code_unit_sequence(u16le_byte_str);
std::cout << std::endl;
std::cout << "u16be_byte_str: ";
print_code_unit_sequence(u16be_byte_str);
std::cout << std::endl;

输出

1
2
3
u32_str: 0x00007834 0x00006653
u16le_byte_str: 0xFF 0xFE 0x34 0x78 0x53 0x66
u16be_byte_str: 0xFE 0xFF 0x78 0x34 0x66 0x53
posted on 2014-09-25 14:53 Enic 阅读(10836) 评论(0)  编辑 收藏 引用

只有注册用户登录后才能发表评论。
网站导航: 博客园   IT新闻   BlogJava   知识库   博问   管理