从字符串中提取单个 unicode 字符答案

【问题标题】：Extract single unicode character from string从字符串中提取单个 unicode 字符
【发布时间】：2015-10-16 10:53:20
【问题描述】：

当我偶然发现 unicode 字符时，问题就开始了。例如，阿博尔。现在我通过询问i 位置的字符，即string (i:i) 是否小于 127 来处理这个问题。这意味着它属于 ASCII 表，因此我确定string (i:i) 是 完整的单个字符。在另一种情况下，(>= 127) 和我的示例 'árbol'，string (1,2) 是 完整字符。

我认为我处理字符串的方式为我的实际目的解决了问题（处理西班牙语、波兰语和俄语的文件），但在处理汉字可能占用最多 4 个字节的情况下，我会有问题。

在 fortran 中有没有办法在字符串中挑出 unicode 字符？

【问题讨论】：

您的 Fortran 处理器是否支持 ISO 10646（即 UCS-4）字符类型？如果是这样，并且您使用该字符类型，那么引用单个字符是一个简单的操作。
假设它确实支持，我如何引用单个字符。是否与使用模块 ISO_FORTRAN_ENV 有关系
string(i:i)（我确实说过这是微不足道的！）对于 ISO 10646 字符类型，字符串中的每个字符都代表一个 unicode 代码点。可使用 SELECTED_CHAR_KIND 内在函数获得用于 ISO 10646 字符类型的值。
你确实说过这很简单，但我仍然无法让我的字符串用字符串（i:i）表示一个while代码点，即使我正在使用：integer, parameter :: ucs4 = selected_char_kind ('ISO_10646')@987654329 @
对于 árbol 我现在使用字符串 (1:1) 得到一个 'Ã'。 @IanH

标签： string unicode character-encoding fortran

【解决方案1】：

gfortran 目前不支持 UTF-8 编码文件中的非 ASCII 字符，请参阅here。可以找到对应的bug report here。

作为一种解决方法，您可以使用十六进制表示法指定 unicode 字符：char(int(z'00E1'), ucs4) 或 '\u00E1'。后者需要编译选项-fbackslash 来启用反斜杠的评估。

program character_kind
  use iso_fortran_env
  implicit none
  integer, parameter :: ucs4  = selected_char_kind ('ISO_10646')

  character(kind=ucs4,  len=20) :: string

!  string = ucs4_'árbol' ! This does not work
!  string = char(int(z'00E1'), ucs4) // ucs4_'rbol' ! This works
  string = ucs4_'\u00E1rbol' ! This is also working

  open (output_unit, encoding='UTF-8')

  print *, string(1:1)
  print *, string

end program character_kind

ifort 似乎根本不支持ISO_10646，selected_char_kind ('ISO_10646') 返回-1。使用ifort 15.0.0 我得到与here 描述的相同的消息。

【讨论】：