编辑 在意识到问题一开始是错误的之后,我修改了问题。
我正在将 C# 应用程序的一部分移植到 Linux,我需要在其中获取 UTF-16 字符串的字节:
string myString = "ABC";
byte[] bytes = Encoding.Unicode.GetBytes(myString);
因此 bytes
数组现在是:
"65 00 66 00 67 00" (bytes)
如何在 Linux 上用 C++ 实现相同的功能?我有一个定义为 std::string
的 myString
,Linux 上的 std::wstring
似乎是 4 个字节?
最佳答案
你的问题不是很清楚,但我会尽力澄清一些困惑。
简介
在 C 标准的 '95 修正案之后,C 中字符集的处理状态(C++ 继承了这一点)。
使用的字符集由当前语言环境给定
wchar_t
是用来存放码位的char
用于存储多字节编码形式(例如一个约束是基本字符集中的字符必须编码为一个字节)字符串文字以实现定义的方式编码。如果他们使用基本字符集之外的字符,您不能假定它们在所有语言环境中都有效。
因此,对于 16 位的 wchar_t
,您只能使用 BMP。使用 UTF-16 的代理是不合规的,但我认为 MS 和 IBM 或多或少被迫这样做,因为他们相信 Unicode,当他们说他们将永远是 16 位字符集时。那些推迟 Unicode 支持的人倾向于使用 32 位 wchar_t。
较新的标准变化不大。大多数情况下,有用于 UTF-8、UTF-16 和 UTF-32 编码字符串的文字,还有用于 16 位和 32 位字符的类型。标准库中对 Unicode 的额外支持很少或没有。
如何将一种编码转换为另一种编码
您必须在使用 Unicode 的语言环境中。希望
std::locale::global(locale(""));
就足够了。如果不是,则您的环境设置不正确(或设置为另一个字符集并假设 Unicode 不会为您的用户提供服务。)。
C 风格
使用wcstomsb
和mbstowcs
函数。这是您所问内容的示例。
std::string narrow(std::wstring const& s)
{
std::vector<char> result(4*s.size() + 1);
size_t used = wcstomsb(&result[0], s.data(), result.size());
assert(used < result.size());
return result.data();
}
C++ 风格
语言环境的 codecvt 方面提供了所需的功能。优点是您不必更改全局语言环境即可使用它。不方便的是使用比较复杂。
#include <locale>
#include <iostream>
#include <string>
#include <vector>
#include <assert.h>
#include <iomanip>
std::string narrow(std::wstring const& s,
std::locale loc = std::locale())
{
std::vector<char> result(4*s.size() + 1);
wchar_t const* fromNext;
char* toNext;
mbstate_t state = {0};
std::codecvt_base::result convResult
= std::use_facet<std::codecvt<wchar_t, char, std::mbstate_t> >(loc)
.out(state,&s[0], &s[s.size()], fromNext,
&result[0], &result[result.size()], toNext);
assert(fromNext == &s[s.size()]);
assert(toNext != &result[result.size()]);
assert(convResult == std::codecvt_base::ok);
*toNext = '\0';
return &result[0];
}
std::wstring widen(std::string const& s,
std::locale loc = std::locale())
{
std::vector<wchar_t> result(s.size() + 1);
char const* fromNext;
wchar_t* toNext;
mbstate_t state = {0};
std::codecvt_base::result convResult
= std::use_facet<std::codecvt<wchar_t, char, std::mbstate_t> >(loc)
.in(state, &s[0], &s[s.size()], fromNext,
&result[0], &result[result.size()], toNext);
assert(fromNext == &s[s.size()]);
assert(toNext != &result[result.size()]);
assert(convResult == std::codecvt_base::ok);
*toNext = L'\0';
return &result[0];
}
您应该通过更好的处理来替换断言。
顺便说一句,这是标准的 C++,不假定 Unicode 除了结果大小的计算,你可以通过检查 convResult 来做得更好,它可以指示部分转换)。
关于c++ - 在 Linux 中将 std::string 转换为 Unicode,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/6007880/