CKTIS / C++
UTF-8 v C++: kódové jednotky, kódové body a grafémové shluky
Délka textu v UTF-8 závisí na tom, zda počítáme kódové jednotky, kódové body nebo grafémové shluky. Příklad ukazuje počítání a zkracování platného UTF-8 bez rozdělení kódového bodu.
Verze: ISO C++23; implementation support may vary
Syntaxe
// u8"text" has type const char8_t[5]; the bound includes the terminating zero code unit.
std::u8string_view text = u8"text"; // <string_view>
text.size(); // number of code units in the view
text.substr(0, n); // prefix of up to n code units; no Unicode boundary checkKódová jednotka UTF-8 je osmibitový oktet. Kódový bod je číselná hodnota v Unicode, například U+0301. Každá skalární hodnota Unicode (kódový bod mimo rozsah náhradních hodnot) zabírá v platném UTF-8 jednu až čtyři jednotky. Rozšířený grafémový shluk tvoří jeden či více kódových bodů seskupených podle pravidel segmentace Unicode (UAX #29). Přibližně odpovídá jednomu znaku vnímanému uživatelem, nikoli jeho šířce při zobrazení.
Od C++20 má literál u8"..." typ const char8_t[N]; N zahrnuje koncovou nulovou jednotku. Na rozdíl od běžného literálu "..." se ukazatel získaný z tohoto pole implicitně nepřevádí na const char*. std::u8string_view z <string_view> je pohled, který data nevlastní. size() počítá jednotky v pohledu a konstruktor s pouhým ukazatelem se zastaví u první nuly. Chceš-li zahrnout i vnitřní nuly, použij ukazatel a délku platného rozsahu. Literál existuje po celou dobu běhu programu; jiná podkladová paměť musí zůstat platná po dobu používání pohledu.
V platném UTF-8 každý kódový bod začíná právě jednou jednotkou, která není pokračovací. Pokračovací jednotky mají bitový vzor 10xxxxxx. Začátky lze proto počítat bez dekódování hodnot. substr(0, n) řeže podle jednotek a může rozdělit vícejednotkovou sekvenci. Chceš-li nejdelší prefix v daném limitu, posouvej místo řezu zpět, dokud ukazuje na pokračovací jednotku, až k hranici kódového bodu.
Počítání i zkracování předpokládají platné UTF-8: neověřují kódování, nenormalizují text ani neurčují hranice grafémů. Nedůvěryhodný vstup nejdřív ověř a chybně kódovaná data odmítni nebo použij výslovně stanovené pravidlo náhrady. Ke zkracování podle vnímaných znaků použij knihovnu se segmentací grafémů Unicode; C++23 pro ni neposkytuje obecné API.
Příklady
#include <cstddef>
#include <iostream>
#include <string_view>
constexpr bool is_continuation(char8_t unit) noexcept {
return (unit & 0xC0u) == 0x80u;
}
// Precondition: text is well-formed UTF-8.
constexpr std::size_t count_code_points(std::u8string_view text) noexcept {
std::size_t count = 0;
for (char8_t unit : text) {
if (!is_continuation(unit)) {
++count;
}
}
return count;
}
// Precondition: text is well-formed UTF-8.
constexpr std::u8string_view trim_to_unit_budget(
std::u8string_view text, std::size_t max_units) {
auto end = max_units < text.size() ? max_units : text.size();
while (end > 0 && end < text.size() && is_continuation(text[end])) {
--end;
}
return text.substr(0, end);
}
int main() {
constexpr std::u8string_view text = u8"e\u0301\U0001F642";
constexpr auto prefix = trim_to_unit_budget(text, 2);
static_assert(text.size() == 7);
static_assert(count_code_points(text) == 3);
static_assert(prefix == u8"e");
std::cout << "code_units: " << text.size() << '\n'
<< "code_points: " << count_code_points(text) << '\n'
<< "prefix_code_units: " << prefix.size() << '\n';
}Výsledek
code_units: 7 code_points: 3 prefix_code_units: 1
`e`, U+0301 a emoji U+1F642 zabírají postupně 1, 2 a 4 jednotky: celkem 7 kódových jednotek, 3 kódové body a 2 grafémové shluky. Limit 2 by vedl k řezu uvnitř kódování U+0301, proto funkce zachová pouze `e`. Prefix zůstává platným UTF-8, ale ztratí čárku. Program počet shluků nepočítá.
Související lekce
- C++ · Lekce 49 · Pokročilá · Verze: 3
Zdroje
- String literals [lex.string]
- Character sets [lex.charset]
- Compatibility with ISO C++ 2017: lexical conventions [diff.cpp17.lex]
- Header <string_view> synopsis [string.view.synop]
- Construction and assignment [string.view.cons]
- Capacity [string.view.capacity]
- String operations [string.view.ops]
- Standard format specifiers [format.string.std]
- N4950 — Working Draft, Standard for Programming Language C++
- Unicode Standard Annex #29: Unicode Text Segmentation