小试牛刀
首先我们来一个demo,假如要使用std::string遍历"你好,世界123"这个字符串,你会怎么写?
当时笔者是这么想的:
于是大手一挥,Ctrl C + Ctrl V写下了一下代码:
using namespace std;
int main() {
std::string text = "你好,世界123";
for (const auto c:text) {
std::cout << "c:" << c << std::endl;
}
return 0;
}
运行起来一看,我都懵逼了,居然是乱码...
一看到乱码,笔者首先想到的可能编码不是utf-8的,于是我改了一行代码:
std::string text = u8"你好,世界123";
结果还是于事无补,还是乱码的,我开始有点慌了...
在这里说明一下当在C++中使用字符串字面值时,可以使用前缀u8来表示使用UTF-8编码。这意味着该字符串会以UTF-8编码的格式存储在内存中。
面对这些乱码,我不得不拿出CV工程师的杀手锏,赶紧上stackoverflow求助...
不负众望,果然被我找到了答案。。。
马上复制粘贴来验证一波...
using namespace std;
int main() {
std::string text = u8"你好,世界123";
for(size_t i = 0; i < text.length();)
{
int cplen = 1;
if((text[i] & 0xf8) == 0xf0) cplen = 4;
else if((text[i] & 0xf0) == 0xe0) cplen = 3;
else if((text[i] & 0xe0) == 0xc0) cplen = 2;
if((i + cplen) > text.length()) cplen = 1;
cout << text.substr(i, cplen) << endl;
i += cplen;
}
return 0;
}
运行起来,果然是想要的结果。666,凭实力攻克了一个技术难题,带领公司往前跨了一大步,这回升级加薪稳了吧!!!
寻根问底
本着举一反三的学习态度,我想知道为什么中文字符串的遍历要特殊处理,我找到了这个:https://en.wikipedia.org/wiki/UTF-8#Description
原来一个中文字符不一定是和英文一样占用一个字符,它们可能会占用几个字符,但它们的长度其实可以从字符的头中读取出来的。
我简单地用浏览器翻译了一下,大家将就这看一下大概意思
当然如果你不想自己写获取中文字符长度的逻辑代码,也可以用别人写好的开源库。这里给大家推荐一个轻量级的,只有一个utf8.h文件的开源库:https://github.com/sheredom/utf8.h
那么我们的代码就变成了这样:
int main() {
std::string text = u8"你好,世界123";
for (size_t i = 0; i < text.size();)
{
auto cplen = utf8codepointcalcsize(&text[i]);
std::cout << text.substr(i, cplen) << std::endl;
i += cplen;
}
return 0;
}
其实我们查看下utf8.h这个库的utf8codepointcalcsize函数内部实现,和我们上面说的是一样的。
这么一个简单的坑,以前怎么没发现这个问题?一个是没遇到过这样的需求,二是就算用到了也不是用C++实现的,例如在QT上直接使用QString就没有这些问题。