【发布时间】：2014-05-26 19:08:10
【问题描述】：
在我的 C++ 代码中，我需要使用 iconv() 将 Unicode 字符串转换为 UTF-8 字符串。在调用该函数之前，我需要分配适当的缓冲区大小。我见过的几个示例过度分配缓冲区（例如，输入字符串长度的两倍）。我想知道是否有办法确定转换所需的确切大小。问候。
【问题讨论】：
【发布时间】：2014-05-26 19:08:10
【问题描述】：
基本上你想做两件事：
- 获取每个字符中的实际代码点（如果“Unicode”表示 UTF-16，则需要适当处理代理对）
- 确定代码点在 UTF-8 中将占用多少字节。
我假设您已经了解如何进行第一步，并将专注于第二步：
- U+0000..U+007F = 1 个字节
- U+0080..U+07FF = 2 个字节
- U+0800..U+FFFF = 3 个字节
- U+10000..U+1FFFFF = 4 字节*
- U+200000..U+3FFFFFF = 5 个字节*
- U+4000000..U+7FFFFFFF = 6 个字节*
* UTF-8 可以编码 2147483648 个代码点 [0...0x7FFFFFFF]，但 UTF-16 只能编码其中的前 1114112 个 [0...0x10FFFF]，这是目前唯一指定的。因此，在撰写本文时，超出 U+10FFFF 的任何内容都毫无意义。我将其他人包括在内只是为了完整。
【讨论】：
-
感谢您的指导。我学到了一些新东西。我的输入是 wchar_t* 类型。这在 Windows 上是 UTF-16，但在 Linux 上是 4 个字节长。在 4 个字节中，您的解释中的 U 是指第一个字节吗？问候。
-
@Peter U+xxxx 表示法只是引用 Unicode 代码点的方式。例如，U+12AB 是代码点 0x12AB。在 Windows 和可能的其他系统上，例如 IBM AIX，其中 wchar_t 是 UTF-16，您需要在解码中处理代理对。由于您使用的是 wchar_t，它在某些平台上甚至可能不是 UTF-16 或 UTF-32，因此您最好让 Unicode 库（如 ICU）来完成这项工作。如果您只使用了解 wchar_t 行为的特定平台集，那么请务必使用 iconv。