c++ - 将字符串转换为UTF8字符串所需

Question

问题陈述：
我需要将生成的字符串转换为UTF8字符串，此生成的字符串已扩展了ascii字符，并且我在Linux系统上（2.6.32-358.el6.x86_64）。


  POC仍在进行中，因此我只能提供小代码示例
  完整的解决方案只有在准备好后才能发布。


为什么需要UFT8（我已将ascii字符扩展为存储在必须为UTF8的字符串中）。

我如何进行：


将生成的字符串转换为wchar_t字符串。


请看下面的示例代码

int main(){
  char  CharString[] = "Prova";
  iconv_t cd;
  wchar_t  WcharString[255];

  size_t size= mbstowcs(WcharString, CharString, strlen(CharString));

  wprintf(L"%ls\n", WcharString);

  wprintf(L"%s\n", WcharString);

  printf("\n%zu\n",size);
}

这里有一个问题：

输出是


  Prova ?????
  
  s



为什么这里没有打印尺寸？
为什么第二个printf只打印一个字符。
如果我在两个已打印的字符串之前都打印了大小，则仅打印5个字符串，并且两个字符串都从控制台丢失。



转到第二部分：

现在，我将有一个wchar_t字符串，我想将其转换为UTF8字符串

为此，我浏览了一下，发现iconv在这里会有所帮助。

在这里提问
这些是我在manual中找到的方法

**iconv_t iconv_open(const char *, const char *);

size_t  iconv(iconv_t, char **, size_t *, char **, size_t *);

int     iconv_close(iconv_t);**

在馈给iconv之前，我需要将wchar_t数组转换为char数组吗？

请提供有关上述问题的建议。

我正在谈论的扩展ascii，请在下面的标记快照中查看字母i

Answer 1

对于第一个问题（我将其解释为“为什么所有输出都不是我期望的结果”）：


'?????'在哪里来自？在调用mbstowcs(WcharString, CharString, strlen(CharString))中，最后一个参数（strlen(CharString)）是输出缓冲区的长度，而不是输入字符串的长度。 mbstowcs所写的宽字符（包括NUL终止符）不得超过该数量。由于转换需要包括终止符在内的6个宽字符，并且您只允许它写入5个宽字符，因此生成的宽字符串不会以NUL终止，并且当您尝试将其打印出来时，最终会在结束后打印垃圾转换后的字符串。因此，?????。您应该使用wchar_t的输出缓冲区的大小（在本例中为255）。
为什么第二个wprintf只打印一个字符？当使用宽字符串参数调用wprintf时，必须使用%ls格式代码（或更准确地说，%s转换需要使用l长度修饰符进行限定）。如果在不使用%s的情况下使用l，则wprintf会将字符串解释为char*，并在将其输出时将每个字符转换为wchar_t。但是，由于参数实际上是一个宽字符串，因此字符串中的第一个wchar_t是L"p"，它是某个整数大小的数字0x70。这意味着wchar_t的第二个字节（从末尾开始计数，因为您使用的是Little-endian体系结构）为0，因此，如果将字符串视为字符串，则它将在< cc>。因此只打印一个字符。
为什么最后一个p不打印任何内容？在C语言中，输出流可以是宽流也可以是字节流，但是在打开流时无需指定。 （并且，无论如何，标准输出已经为您打开。）这称为流的方向。新打开的流是未定向的，并且在首次输出到该流时该定向是固定的。如果第一个输出调用是广泛调用，例如printf，则该流是广泛流；否则，它是一个字节流。设置后，方向是固定的，您不能使用方向错误的输出调用。因此，wprintf是非法的，除了引发错误外，它什么也不做。




现在，让我们继续您的第二个问题：我该怎么办？

首先，您需要清楚输入的格式以及输出方式。在Linux上，根本不可能使用printf。输入字符串最可能的情况是它已经是UTF-8，或者已经以某些ISO-8859-x编码。输出的最可能情况是相同的：要么是UTF-8，要么是某种ISO-8859-x编码。

不幸的是，您的程序无法知道控制台期望的编码方式。输出甚至可能不会发送到控制台。同样，您的程序实际上无法知道输入字符串中正在使用哪种ISO-8859-x编码。 （如果它是字符串文字，则在调用编译器时可能会指定编码，但是没有提供信息的标准方法。）

如果由于非ASCII字符无法正确显示而无法查看输出，则应首先确保将控制台配置为使用与程序输出相同的编码。如果程序将UTF-8发送到正在显示ISO-8859-15的控制台，则文本将无法正确显示。从理论上讲，您的语言环境设置包括控制台使用的编码，但是如果您使用的是远程控制台（例如，通过Windows计算机上的PuTTY），则该控制台不是Linux环境的一部分，因此默认语言环境可能不正确。最简单的解决方法是正确配置控制台，但也可以更改Linux语言环境。

您从字节字符串中使用wchar_t的事实表明您相信原始字符串位于UTF-8中。因此，问题似乎不太可能是您需要将其转换为UTF-8。

您当然可以使用mbstowcs将字符串从一种编码转换为另一种编码。您无需执行iconv即可。但是您确实需要知道实际的输入编码和所需的输出编码。