Base de conocimientosCentro de exámenes
ESEspañol
Elegir idioma13

CKTIS / C++

Cadenas y texto: unidades de código, puntos de código y clústeres de grafemas

Una cadena de C++ almacena elementos, no caracteres listos para que los vea el usuario. Aprende a distinguir las unidades de código UTF-8, los puntos de código Unicode y los clústeres de grafemas, y conoce la función de std::u8string y de los literales de cadena u8.

Versión: C++23; repository compiler flag, production runtime not attested

Sintaxis

std::string text = "abc";
std::u8string utf8 = u8"e\u0301";

std::string posee una secuencia contigua de elementos char; su tipo, por sí solo, no garantiza UTF-8. std::u8string almacena elementos char8_t destinados a unidades de código UTF-8. Ninguno de los dos contenedores valida automáticamente el texto Unicode. size() cuenta los elementos almacenados, sin incluir el terminador cero final.

Distingue tres niveles: las unidades de código UTF-8 son unidades de codificación de 8 bits; los puntos de código Unicode son posiciones numeradas en Unicode, como U+0065; los clústeres de grafemas aproximan los caracteres que percibe el usuario. Un valor escalar Unicode ocupa de una a cuatro unidades de código UTF-8. Un clúster puede contener varios puntos de código: e seguida de U+0301, el acento agudo combinante, forma un clúster de grafema extendido, pero consta de dos puntos de código y tres unidades de código UTF-8.

En C++23, un literal de cadena u8, como u8"e\u0301", tiene un tipo de array cuyos elementos son const char8_t y usa la codificación UTF-8. El literal incluye un elemento cero final; un std::u8string construido a partir de este literal no lo cuenta en size(). char8_t es distinto de char: este literal no puede inicializar directamente un std::string.

La indexación, la iteración y substr() operan sobre elementos, no sobre clústeres de grafemas. Cortar en medio de una secuencia UTF-8 de varias unidades puede producir una codificación no válida, mientras que cortar entre puntos de código puede separar un clúster. Para operar con los caracteres que percibe el usuario hacen falta la decodificación y la segmentación Unicode; size() por sí solo no realiza ninguna de las dos. El documento enlazado es un borrador de trabajo en evolución, no una publicación definitiva de C++23; el ejemplo usa funciones disponibles en C++23.

Ejemplos

#include <iostream>
#include <string>

int main() {
    const std::u8string text = u8"e\u0301";
    std::cout << "UTF-8 code units: " << text.size() << '\n';
    std::cout << "Values:";
    for (char8_t unit : text) {
        std::cout << ' ' << static_cast<unsigned int>(unit);
    }
    std::cout << '\n';
}

Resultado

UTF-8 code units: 3
Values: 101 204 129

El código mostrado y el resultado declarado se verificaron en un entorno aislado mediante el método registrado en la evidencia de verificación de esta versión exacta.

Fuentes