如何获得 std::string 的准确长度？

Question

我正在使用此代码修剪一个长 std::string 以将其放入文本容器中。

std::string AppDelegate::getTrimmedStringWithRange(std::string text, int range)
{
    if (text.length() > range)
    {
        std::string str(text,0,range-3);
        return str.append("...");
    }
    return text;
}

但是对于像HINDI "हिन्दी" 这样的其他语言，std::string 的长度是错误的。

我的问题是如何在所有测试用例中检索 std::string 的准确长度。

谢谢

Answer 1

假设您使用的是 UTF-8，您可以将字符串转换为简单的（哈哈！）Unicode 并计算字符数。我从rosettacode 获取了这个例子。

#include <iostream>
#include <codecvt>
int main()
{
    std::string utf8 = "\x7a\xc3\x9f\xe6\xb0\xb4\xf0\x9d\x84\x8b"; // U+007a, U+00df, U+6c34, U+1d10b
    std::cout << "Byte length: " << utf8.size() << '\n';
    std::wstring_convert<std::codecvt_utf8<char32_t>, char32_t> conv;
    std::cout << "Character length: " << conv.from_bytes(utf8).size() << '\n';
}

Answer 2

std::string 的长度没有“错误”；你只是误解了它的意思。 std::string 以您选择的编码存储字节，而不是“字符”。它兴高采烈地不知道那一层。因此，std::string 的长度就是它包含的字节数。

要计算此类“字符”，您需要一个支持分析您选择的编码的库。

只有当您选择的编码与 ASCII 兼容时，您才能计算字节数并使用它。

Answer 3

如 cmets 中所述，长度将返回以utf8 编码的字符串的字节数。在这种多字节编码中，非 ascii 字符被编码为 2 到 6 个字节，因此您的 utf8 字符串长度会显得比 unicode 字母的实际数量更长。

解决方案 1

如果你有很多长字符串，你可以把它们保存在 utf8 中。 utf8 编码使得找出额外的多字节字符变得相对容易：它们都以二进制的 10xxxxxx 开头。所以计算这些额外字节的数量，并从字符串长度中减去它

cout << "Bytes: " << s.length() << endl;
cout << "Unicode length " << (s.length() - count_if(s.begin(), s.end(), [](char c)->bool { return (c & 0xC0) == 0x80; })) << endl;

解决方案 2

如果需要更多处理而不仅仅是计算长度，您可以考虑在标准库中使用wstring_convert::from_bytes() 将您的字符串转换为 wstring。 wstring 的长度应该是您所期望的。

wstring_convert<std::codecvt_utf8<wchar_t>, wchar_t> cv;
wstring w = cv.from_bytes(s);
cout << "Unicode length " << w.length() << endl;

注意： linux上的wstring是基于32位wchar_t的，一个这样的宽字符可以包含所有的unicode字符集。所以这是完美的。然而，在 Windows 上，wchar_t 只有 16 位，因此某些字符可能仍需要多字编码。幸运的是，所有hindi characters 都在 U+0000 到 U+D7FF 的范围内，可以在一个 16 位字上进行编码。所以也应该没问题。