我们使用ICU在RHEL上部署了一个C++应用程序。
我们遇到一种情况，我们需要在 Linux 上将 UChar* 转换为 wchar_t*。我们使用u_strToWCS来执行转换。
#include <iostream>
#include <wchar.h>
#include "unicode/ustring.h"
void convertUnicodeStringtoWideChar(const UChar* cuniszSource,
const int32_t cunii32SourceLength,
wchar_t*& rpwcharDestination,
int32_t& destCapacity)
{
UErrorCode uniUErrorCode = U_ZERO_ERROR;
int32_t pDestLength = 0;
rpwcharDestination = 0;
destCapacity = 0;
u_strToWCS(rpwcharDestination,
destCapacity,
&pDestLength,
cuniszSource,
cunii32SourceLength,
&uniUErrorCode);
uniUErrorCode = U_ZERO_ERROR;
rpwcharDestination = new wchar_t[pDestLength+1];
if(rpwcharDestination)
{
destCapacity = pDestLength+1;
u_strToWCS(rpwcharDestination,
destCapacity,
&pDestLength,
cuniszSource,
cunii32SourceLength,
&uniUErrorCode);
destCapacity = wcslen(rpwcharDestination);
}
} //function ends
int main()
{
// a ä Š € ( 王 )
UChar input[20] = { 0x0061, 0x00e4, 0x0160, 0x20ac, 0xd87e, 0xdd29, 0x0000 };
wchar_t * output;
int32_t outlen = 0;
convertUnicodeStringtoWideChar( input, 6, output, outlen );
for ( int i = 0; i < outlen; ++i )
{
std::cout << std::hex << output[i] << "n";
}
return 0;
}
这对于输入最多 65535 个字符的字符工作正常(因为 UChar 在 Linux 上以内部uint16_t实现)。它无法转换基本多语言平面之外的字符(例如 CJK 统一表意文字扩展 B)
关于如何执行转换的任何想法？
更新 1：确定。我看错了方向。u_strToWCS工作正常。出现此问题是因为我需要使用 CORBA 将该宽字符串传递给 Windows 上的 Java 应用程序。由于 linux 中的wchar_t是 32 位，我需要找到一种方法将 32 位wchar_t转换为 16 位wchar_t
更新2：我使用的代码可以在这里找到
在 C++11 及更高版本中，此转换位于标准库中的<codecvt>标头中。 下面是一些在 UTF-16、UCS-4 和wchar_t之间转换的示例代码。 (由于开发树中已修复的错误，它在libstdc++ 6.4.9上中断。
#include <codecvt>
#include <cstdlib>
#include <cstring>
#include <cwctype>
#include <iostream>
#include <locale>
#include <vector>
using std::cout;
using std::endl;
using std::exit;
using std::memcmp;
using std::size_t;
using std::wcout;
int main(void)
{
constexpr char16_t msg_utf16[] = u"¡Hola, mundo! U0001F600"; // Shouldn't assume endianness.
constexpr wchar_t msg_w[] = L"¡Hola, mundo! U0001F600";
constexpr char32_t msg_utf32[] = U"¡Hola, mundo! U0001F600";
constexpr char msg_utf8[] = u8"¡Hola, mundo! U0001F600";
// May vary from OS to OS> "" is the most standard, but might require, e.g. "en_US.utf8".
constexpr char locale_name[] = "";
std::locale::global(std::locale(locale_name)); //
wcout.imbue(std::locale());
const std::codecvt_utf16<wchar_t, 0x1FFFF, std::little_endian> converter_w;
const size_t max_len = sizeof(msg_utf16);
std::vector<char> out(max_len);
std::mbstate_t state;
const wchar_t* from_w = nullptr;
char* to_next = nullptr;
converter_w.out( state, msg_w, msg_w+sizeof(msg_w)/sizeof(wchar_t), from_w, out.data(), out.data() + out.size(), to_next );
if (memcmp( msg_utf8, out.data(), sizeof(msg_utf8) ) == 0 ) {
wcout << L"std::codecvt_utf16<wchar_t> converts to UTF-8, not UTF-16!" << endl;
} else if ( memcmp( msg_utf16, out.data(), max_len ) != 0 ) {
wcout << L"std::codecvt_utf16<wchar_t> conversion not equal!" << endl;
} else {
wcout << L"std::codecvt_utf16<wchar_t> conversion is correct." << endl;
}
out.clear();
out.resize(max_len);
const std::codecvt_utf16<char32_t, 0x1FFFF, std::little_endian> converter_u32;
const char32_t* from_u32 = nullptr;
converter_u32.out( state, msg_utf32, msg_utf32+sizeof(msg_utf32)/sizeof(char32_t), from_u32, out.data(), out.data() + out.size(), to_next );
if ( memcmp( msg_utf16, out.data(), max_len ) != 0 ) {
wcout << L"std::codecvt_utf16<char32_t> conversion not equal!" << endl;
} else {
wcout << L"std::codecvt_utf16<char32_t> conversion is correct." << endl;
}
wcout << msg_w << endl;
return EXIT_SUCCESS;
}
这两个方面将在 C++17 中弃用，但并非所有方面<codecvt>都弃用。 特别是，标准库将支持std::codecvt<char, char, std::mbstate_t>、std::codecvt<char16_t, char, std::mbstate_t>、std::codecvt<char32_t, char, std::mbstate_t>和std::codecvt<wchar_t, char, std::mbstate_t>。
您不会在 Linux 上进入此 UTF-16 数据的来源，但这可能建议一种方法。 如果要处理文件，则可以在具有分面的流上使用imbue()来转换读取和写入的数据，如果要使用Qt框架，则QString和QTextCodex都提供转换功能。 尽管如此，ICU应该支持整个UTF-16范围。
更新 1
问题实际上是问如何在相反的方向上转换，从宽字符串转换为 UTF-16。 我的例子就是这样做的，但是如果你想使用ICU，它有u_strFromWCS()，u_strFromUTF32()和UnicodeString::fromUTF32()。
如果您更喜欢 ICU 而不是 STL 的原因是 STL 的转换器方面声称与区域设置无关，请注意，这些 ICU 转换器功能也都声称与区域设置无关。 这是因为不同 UTF 编码之间的转换完全是算法的，与语言环境无关！ (排序顺序和案例映射等其他内容不是，但确实如此。 事实上，STL 确实允许您根据需要从具有locale::use_facet<codecvt<...>>()的特定语言环境请求转换器方面，并且在 C++17 中未弃用此功能。但是，只有与 UTF-8 之间的转换需要以这种方式实现。 "此外，在C++程序中构造的每个区域设置对象都实现了这四种专用化的独特(特定于区域设置的)版本。 在我的测试中，库的现有实现不支持locale().use_facet<std_codecvt<wchar_t,char16_t,mbstate_t>>()。
更新 2
我在这里重新发布一个手动wchar_tutf_16转换器。 它需要一个std::wstring并返回一个std::u16string，但该算法可以很容易地适应任何其他容器。 不过，u16string至少与需要动态内存的任何其他数据结构一样高效。
您可能想要进行的一项更改是，在给定输入字符串的长度的情况下，我为最坏的情况分配足够的内存，然后shrink_to_fit()。 这应该不会像 UTF-32 那样浪费更多的内存，而不是像 UTF-32 那样对字符串进行编码。 但是，您的任何数据都不太可能在 BMP 中，因此您可以改为进行初始传递以计算转换需要多少内存，或者假设实际使用中的代理项对很少，并接受必须调整大小和复制目标数组的不太可能的可能性。
#include <cassert>
#include <cwctype>
#include <cstdlib>
#include <iomanip>
#include <iostream>
#include <locale>
#include <string>
#if _WIN32 || _WIN64
// Windows needs a little non-standard magic for this to work.
#include <io.h>
#include <fcntl.h>
#include <locale.h>
#endif
using std::size_t;
void init_locale(void)
// Does magic so that wcout can work.
{
#if _WIN32 || _WIN64
// Windows needs a little non-standard magic.
constexpr char cp_utf16le[] = ".1200";
setlocale( LC_ALL, cp_utf16le );
_setmode( _fileno(stdout), _O_U16TEXT );
#else
// The correct locale name may vary by OS, e.g., "en_US.utf8".
constexpr char locale_name[] = "";
std::locale::global(std::locale(locale_name));
std::wcout.imbue(std::locale());
#endif
}
std::u16string make_u16string( const std::wstring& ws )
/* Creates a UTF-16 string from a wide-character string. Any wide characters
* outside the allowed range of UTF-16 are mapped to the sentinel value U+FFFD,
* per the Unicode documentation. (http://www.unicode.org/faq/private_use.html
* retrieved 12 March 2017.) Unpaired surrogates in ws are also converted to
* sentinel values. Noncharacters, however, are left intact. As a fallback,
* if wide characters are the same size as char16_t, this does a more trivial
* construction using that implicit conversion.
*/
{
/* We assume that, if this test passes, a wide-character string is already
* UTF-16, or at least converts to it implicitly without needing surrogate
* pairs.
*/
if ( sizeof(wchar_t) == sizeof(char16_t) ) {
return std::u16string( ws.begin(), ws.end() );
} else {
/* The conversion from UTF-32 to UTF-16 might possibly require surrogates.
* A surrogate pair suffices to represent all wide characters, because all
* characters outside the range will be mapped to the sentinel value
* U+FFFD. Add one character for the terminating NUL.
*/
const size_t max_len = 2 * ws.length() + 1;
// Our temporary UTF-16 string.
std::u16string result;
result.reserve(max_len);
for ( const wchar_t& wc : ws ) {
const std::wint_t chr = wc;
if ( chr < 0 || chr > 0x10FFFF || (chr >= 0xD800 && chr <= 0xDFFF) ) {
// Invalid code point. Replace with sentinel, per Unicode standard:
constexpr char16_t sentinel = u'uFFFD';
result.push_back(sentinel);
} else if ( chr < 0x10000UL ) { // In the BMP.
result.push_back(static_cast<char16_t>(wc));
} else {
const char16_t leading = static_cast<char16_t>(
((chr-0x10000UL) / 0x400U) + 0xD800U );
const char16_t trailing = static_cast<char16_t>(
((chr-0x10000UL) % 0x400U) + 0xDC00U );
result.append({leading, trailing});
} // end if
} // end for
/* The returned string is shrunken to fit, which might not be the Right
* Thing if there is more to be added to the string.
*/
result.shrink_to_fit();
// We depend here on the compiler to optimize the move constructor.
return result;
} // end if
// Not reached.
}
int main(void)
{
static const std::wstring wtest(L"☪☮∈✡℩☯✝ U0001F644");
static const std::u16string u16test(u"☪☮∈✡℩☯✝ U0001F644");
const std::u16string converted = make_u16string(wtest);
init_locale();
std::wcout << L"sizeof(wchar_t) == " << sizeof(wchar_t) << L".n";
for( size_t i = 0; i <= u16test.length(); ++i ) {
if ( u16test[i] != converted[i] ) {
std::wcout << std::hex << std::showbase
<< std::right << std::setfill(L'0')
<< std::setw(4) << (unsigned)converted[i] << L" ≠ "
<< std::setw(4) << (unsigned)u16test[i] << L" at "
<< i << L'.' << std::endl;
return EXIT_FAILURE;
} // end if
} // end for
std::wcout << wtest << std::endl;
return EXIT_SUCCESS;
}
以下是将 UTF-32 编码的宽字符转换为 UTF-16 的代码
//Function to convert a Unicode string from platform-specific "wide characters" (wchar_t) to UTF-16.
void ConvertUTF32ToUTF16(wchar_t* source,
const uint32_t sourceLength,
wchar_t*& destination,
uint32_t& destinationLength)
{
wchar_t wcharCharacter;
uint32_t uniui32Counter = 0;
wchar_t* pwszDestinationStart = destination;
wchar_t* sourceStart = source;
if(0 != destination)
{
while(uniui32Counter < sourceLength)
{
wcharCharacter = *source++;
if(wcharCharacter <= 0x0000FFFF)
{
/* UTF-16 surrogate values are illegal in UTF-32
0xFFFF or 0xFFFE are both reserved values */
if(wcharCharacter >= 0xD800 &&
wcharCharacter <= 0xDFFF)
{
*destination++ = 0x0000FFFD;
destinationLength += 1;
}
else
{
/* source is a BMP Character */
destinationLength += 1;
*destination++ = wcharCharacter;
}
}
else if(wcharCharacter > 0x0010FFFF)
{
/* U+10FFFF is the largest code point of Unicode Character Set */
*destination++ = 0x0000FFFD;
destinationLength += 1;
}
else
{
/* source is a character in range 0xFFFF - 0x10FFFF */
wcharCharacter -= 0x0010000UL;
*destination++ = (wchar_t)((wcharCharacter >> 10) + 0xD800);
*destination++ = (wchar_t)((wcharCharacter & 0x3FFUL) + 0xDC00);
destinationLength += 2;
}
++uniui32Counter;
}
destination = pwszDestinationStart;
destination[destinationLength] = ' ';
}
source = sourceStart;
} //function ends