在字符串、u16string 和 u32string 之间转换

Question

我一直在寻找一种在 Unicode 字符串类型之间进行转换的方法，结果遇到了this method。不仅我没有完全理解方法（没有cmet）而且文章暗示将来会有更好的方法。

如果这是最好的方法，请您指出是什么使它起作用，如果不是，我想听听有关更好方法的建议。

Answer 1

mbstowcs() 和 wcstombs() 不一定会转换为 UTF-16 或 UTF-32，它们会转换为 wchar_t 以及任何语言环境 wchar_t 编码。所有 Windows 语言环境都使用 2 字节 wchar_t 和 UTF-16 作为编码，但其他主要平台使用 4 字节 wchar_t 和 UTF-32（甚至某些语言环境的非 Unicode 编码）。仅支持单字节编码的平台甚至可以有一个单字节wchar_t，并且编码因区域设置而异。所以wchar_t 在我看来对于可移植性和 Unicode 来说是一个糟糕的选择。 *

C++11 中引入了一些更好的选项； std::codecvt 的新特化、新的 codecvt 类和一个新模板，使使用它们进行转换非常方便。

首先，使用 codecvt 的新模板类是 std::wstring_convert。创建 std::wstring_convert 类的实例后，您可以轻松地在字符串之间进行转换：

std::wstring_convert<...> convert; // ... filled in with a codecvt to do UTF-8 <-> UTF-16
std::string utf8_string = u8"This string has UTF-8 content";
std::u16string utf16_string = convert.from_bytes(utf8_string);
std::string another_utf8_string = convert.to_bytes(utf16_string);

为了进行不同的转换，您只需要不同的模板参数，其中之一是 codecvt facet。以下是一些易于与 wstring_convert 一起使用的新方面：

std::codecvt_utf8_utf16<char16_t> // converts between UTF-8 <-> UTF-16
std::codecvt_utf8<char32_t> // converts between UTF-8 <-> UTF-32
std::codecvt_utf8<char16_t> // converts between UTF-8 <-> UCS-2 (warning, not UTF-16! Don't bother using this one)

使用这些的示例：

std::wstring_convert<std::codecvt_utf8_utf16<char16_t>,char16_t> convert;
std::string a = convert.to_bytes(u"This string has UTF-16 content");
std::u16string b = convert.from_bytes(u8"blah blah blah");

新的 std::codecvt 特化有点难用，因为它们有一个受保护的析构函数。为了解决这个问题，您可以定义一个具有析构函数的子类，或者您可以使用 std::use_facet 模板函数来获取现有的 codecvt 实例。此外，这些特化的一个问题是您不能在 Visual Studio 2010 中使用它们，因为模板特化不适用于 typedef 的类型，并且编译器将 char16_t 和 char32_t 定义为 typedef。下面是定义您自己的 codecvt 子类的示例：

template <class internT, class externT, class stateT>
struct codecvt : std::codecvt<internT,externT,stateT>
{ ~codecvt(){} };

std::wstring_convert<codecvt<char16_t,char,std::mbstate_t>,char16_t> convert16;
std::wstring_convert<codecvt<char32_t,char,std::mbstate_t>,char32_t> convert32;

char16_t 特化在 UTF-16 和 UTF-8 之间转换。 char32_t 特化，UTF-32 和 UTF-8。

请注意，C++11 提供的这些新转换不包括任何直接在 UTF-32 和 UTF-16 之间进行转换的方法。相反，您只需组合两个 std::wstring_convert 实例。

---

***** 我想我会添加一个关于 wchar_t 及其用途的注释，以强调为什么它通常不应该用于 Unicode 或可移植的国际化代码。以下是我的回答https://stackoverflow.com/a/11107667/365496的简短版

什么是 wchar_t？

wchar_t 被定义为可以将任何语言环境的 char 编码转换为 wchar_t，其中每个 wchar_t 恰好代表一个代码点：

类型 wchar_t 是一个独特的类型，其值可以表示支持的语言环境 (22.3.1) 中指定的最大扩展字符集的所有成员的不同代码。 -- [basic.fundamental] 3.9.1/5

此不要求 wchar_t 足够大以同时表示来自所有语言环境的任何字符。也就是说，用于 wchar_t 的编码可能因地区而异。这意味着您不一定要使用一种语言环境将字符串转换为 wchar_t，然后再使用另一种语言环境转换回 char。

由于这似乎是 wchar_t 在实践中的主要用途，您可能想知道如果不是这样，它有什么用处。

wchar_t 的最初意图和目的是通过定义它来简化文本处理，以便它需要从字符串的代码单元到文本字符的一对一映射，从而允许使用相同的简单算法与 ascii 字符串一起使用其他语言。

不幸的是，对 wchar_t 的要求假设字符和代码点之间的一对一映射来实现这一点。 Unicode 打破了这一假设，因此您也不能安全地将 wchar_t 用于简单的文本算法。

这意味着可移植软件既不能使用 wchar_t 作为语言环境之间文本的通用表示，也不能使用简单的文本算法。

wchar_t 今天有什么用？

不多，反正对于可移植代码。如果定义了__STDC_ISO_10646__，则 wchar_t 的值直接表示在所有语言环境中具有相同值的 Unicode 代码点。这样就可以安全地进行前面提到的跨语言环境转换。但是，您不能仅依靠它来决定可以以这种方式使用 wchar_t，因为尽管大多数 unix 平台都定义了它，但 Windows 并没有，即使 Windows 在所有语言环境中都使用相同的 wchar_t 语言环境。

我认为Windows没有定义__STDC_ISO_10646__的原因是因为Windows使用UTF-16作为它的wchar_t编码，而且因为UTF-16使用代理对来表示大于U+FFFF的码点，也就是说UTF-16不满足__STDC_ISO_10646__的要求。

对于特定于平台的代码，wchar_t 可能更有用。它在 Windows 上基本上是必需的（例如，某些文件根本无法在不使用 wchar_t 文件名的情况下打开），尽管据我所知，Windows 是唯一正确的平台（所以也许我们可以将 wchar_t 视为“Windows_char_t”）。

事后看来，wchar_t 显然对于简化文本处理或作为与区域设置无关的文本的存储没有用。可移植代码不应尝试将其用于这些目的。

Answer 2

我编写了辅助函数来与 UTF8 字符串 (C++11) 进行转换：

#include <string>
#include <locale>
#include <codecvt>

using namespace std;

template <typename T>
string toUTF8(const basic_string<T, char_traits<T>, allocator<T>>& source)
{
    string result;

    wstring_convert<codecvt_utf8_utf16<T>, T> convertor;
    result = convertor.to_bytes(source);

    return result;
}

template <typename T>
void fromUTF8(const string& source, basic_string<T, char_traits<T>, allocator<T>>& result)
{
    wstring_convert<codecvt_utf8_utf16<T>, T> convertor;
    result = convertor.from_bytes(source);
}

使用示例：

// Unicode <-> UTF8
{
    wstring uStr = L"Unicode string";
    string str = toUTF8(uStr);

    wstring after;
    fromUTF8(str, after);
    assert(uStr == after);
}

// UTF16 <-> UTF8
{
    u16string uStr;
    uStr.push_back('A');
    string str = toUTF8(uStr);

    u16string after;
    fromUTF8(str, after);
    assert(uStr == after);
}

Answer 3

据我所知，C++ 没有提供从 UTF-32 转换为 UTF-32 或转换为 UTF-32 的标准方法。但是，对于 UTF-16，有方法 mbstowcs（多字节到宽字符串）和相反的方法，wcstombs。

如果您也需要 UTF-32，则需要 iconv，它在 POSIX 2001 中但不在标准 C 中，因此在 Windows 上您需要像 libiconv这样的替代品>.

这是一个关于如何使用 mbstowcs 的示例：

#include <string>
#include <iostream>
#include <stdlib.h>

using namespace std;

wstring widestring(const string &text);

int main()
{
  string text;
  cout << "Enter something: ";
  cin >> text;

  wcout << L"You entered " << widestring(text) << ".\n";
  return 0;
}

wstring widestring(const string &text)
{
  wstring result;
  result.resize(text.length());
  mbstowcs(&result[0], &text[0], text.length());
  return result;
}

反过来是这样的：

string mbstring(const wstring &text)
{
  string result;
  result.resize(text.length());
  wcstombs(&result[0], &text[0], text.length());
  return result;
}

Nitpick：是的，我知道，wchar_t 的大小是实现定义的，所以它可以是 4 字节 (UTF-32)。但是，我不知道有哪个编译器可以做到这一点。