如何将代码点转换为 utf-8？

Question

我有一些读取 unicode 代码点的代码（在字符串 0xF00 中转义）。

由于我使用boost，我推测以下是否是最好（和正确）的方法：

unsigned int codepoint{0xF00};
boost::locale::conv::utf_to_utf<char>(&codepoint, &codepoint+1);

?

Answer 1

您可以在标准库中使用std::wstring_convert 将UTF-32（代码点）转换为UTF-8：

#include <locale>
#include <codecvt>

std::string codepoint_to_utf8(char32_t codepoint) {
    std::wstring_convert<std::codecvt_utf8<char32_t>, char32_t> convert;
    return convert.to_bytes(&codepoint, &codepoint + 1);
}

这将返回一个 std::string，其大小为 1、2、3 或 4，具体取决于 codepoint 的大小。如果代码点太大（> 0x10FFFF，最大 unicode 代码点），它将抛出 std::range_error。

---

您的带有 boost 的版本似乎在做同样的事情。 The documentation 表示 utf_to_utf 函数将 UTF 编码转换为另一种编码，在本例中为 32 到 8。如果您使用 char32_t，这将是一种“正确”的方法，适用于 unsigned int与char32_t 的大小不同。

// The function also converts the unsigned int to char32_t
std::string codepoint_to_utf8(char32_t codepoint) {
    return boost::locale::conv::utf_to_utf<char>(&codepoint, &codepoint + 1);
}

Answer 2

如前所述，这种形式的代码点（很方便）是 UTF-32，所以您要寻找的是转码。

对于不依赖自 C++17 以来不推荐使用的函数的解决方案，并且不是很丑陋，并且也不需要大量的第三方库，您可以使用非常轻量级的 UTF8-CPP（四个小标头！）及其函数utf8::utf32to8。

它看起来像这样：

const uint32_t codepoint{0xF00};
std::vector<unsigned char> result;

try
{
   utf8::utf32to8(&codepoint, &codepoint + 1, std::back_inserter(result));
}
catch (const utf8::invalid_code_point&)
{
   // something
}

（还有一个utf8::unchecked::utf32to8，如果你对异常过敏。）

（并考虑读入 vector<char8_t> 或 std::u8string，因为 C++20）。

（最后，请注意，我专门使用了uint32_t 来确保输入具有适当的宽度。）

我倾向于在项目中使用这个库，直到我需要一些更重的东西用于其他目的（此时我通常会切换到 ICU）。

Answer 3

C++17 已经弃用了处理 utf 的便利函数的数量。不幸的是，最后剩下的那些将在 C++20 ^(*) 中被弃用。话虽如此，std::codecvt 仍然有效。从 C++11 到 C++17，您可以使用 std::codecvt<char32_t, char, mbstate_t>，从 C++20 开始它将是 std::codecvt<char32_t, char8_t, mbstate_t>。

这里是一些在 utf8 中转换代码点（最高 0x10FFFF）的代码：

// codepoint is the codepoint to convert
// buff is a char array of size sz (should be at least 4 to convert any code point)
// on return sz is the used size of buf for the utf8 converted string
// the return value is the return value of std::codecvt::out (0 for ok)
std::codecvt_base::result to_utf8(char32_t codepoint, char *buf, size_t& sz) {
    std::locale loc("");
    const std::codecvt<char32_t, char, std::mbstate_t> &cvt =
                   std::use_facet<std::codecvt<char32_t, char, std::mbstate_t>>(loc);

    std::mbstate_t state{{0}};

    const char32_t * last_in;
    char *last_out;
    std::codecvt_base::result res = cvt.out(state, &codepoint, 1+&codepoint, last_in,
                                            buf, buf+sz, last_out);
    sz = last_out - buf;
    return res;
}

---

^(*)std::codecvt 仍将存在于 C++20 中。简单地说，默认实例将不再是 std::codecvt<char16_t, char, std::mbstate_t> 和 std::codecvt<char32_t, char, std::mbstate_t>，而是 std::codecvt<char16_t, char8_t, std::mbstate_t> 和 std::codecvt<char32_t, char8_t, std::mbstate_t>（注意 char8_t 而不是 char）

Answer 4

在阅读了 C++ 中 UTF-8 支持的不稳定状态后，我偶然发现了相应的 C 支持 c32rtomb，它看起来很有希望，并且可能不会很快被弃用

#include <clocale>
#include <cuchar>
#include <climits>

size_t to_utf8(char32_t codepoint, char *buf)
{
    const char *loc = std::setlocale(LC_ALL, "en_US.utf8");
    std::mbstate_t state{};
    std::size_t len = std::c32rtomb(buf, codepoint, &state);
    std::setlocale(LC_ALL, loc);
    return len;
}

然后使用将是

char32_t codepoint{0xfff};
char buf[MB_LEN_MAX]{};
size_t len = to_utf8(codepoint, buf);

如果您的应用程序的当前语言环境已经是 UTF-8，您当然可以省略对 setlocale 的来回调用。