Baza znanjaCentar za ispite
HRHrvatski
Odaberi jezik13

CKTIS / C++

UTF-8 u C++-u: kodne jedinice, kodne točke i grafemski skupovi

Duljina teksta u UTF-8 ovisi o tome brojimo li kodne jedinice, kodne točke ili grafemske skupove. Primjer broji i skraćuje valjani UTF-8 bez presijecanja zapisa kodne točke.

Verzija: ISO C++23; implementation support may vary

Sintaksa

// 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 check

Kodna jedinica UTF-8 jedan je osmobitni oktet. Kodna točka brojčana je vrijednost u Unicodeu, primjerice U+0301. Svaka skalarna vrijednost Unicodea (kodna točka izvan raspona surogata) zauzima od jedne do četiri jedinice u valjanom UTF-8. Prošireni grafemski skup čini jedna ili više kodnih točaka povezanih prema pravilima segmentacije Unicodea (UAX #29). Približno odgovara onome što korisnik doživljava kao jedan znak, a ne širini njegova prikaza.

Od C++20 literal u8"..." ima tip const char8_t[N], pri čemu N uključuje završnu nultu jedinicu. Za razliku od običnog literala "...", pokazivač dobiven iz tog polja ne pretvara se implicitno u const char*. std::u8string_view iz <string_view> pogled je koji ne posjeduje podatke. size() broji kodne jedinice u pogledu, a konstruktor koji prima samo pokazivač staje kod prve nule. Za uključivanje unutarnjih nula navedi pokazivač i duljinu valjanog raspona. Literal postoji tijekom cijelog izvođenja programa; druga memorija na koju pogled upućuje mora ostati valjana dok se pogled koristi.

U valjanom UTF-8 svaka kodna točka počinje točno jednom jedinicom koja nije nastavna. Nastavne jedinice imaju bitovni uzorak 10xxxxxx. Zato je moguće brojiti početke bez dekodiranja vrijednosti. substr(0, n) reže po kodnim jedinicama i može presjeći slijed od više jedinica. Za najdulji prefiks unutar ograničenja pomiči mjesto reza unatrag dok pokazuje na nastavnu jedinicu, sve do granice kodne točke.

Brojanje i skraćivanje pretpostavljaju valjani UTF-8: ne provjeravaju kodiranje, ne normaliziraju tekst niti određuju grafemske granice. Najprije provjeri nepouzdan ulaz i odbaci neispravne podatke ili primijeni izričito pravilo zamjene. Za skraćivanje po znakovima kako ih korisnik doživljava koristi biblioteku koja provodi segmentaciju grafema u Unicodeu; C++23 za to nema općenamjenski API.

Primjeri

#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';
}

Rezultat

code_units: 7
code_points: 3
prefix_code_units: 1

`e`, U+0301 i emoji U+1F642 zauzimaju redom 1, 2 i 4 jedinice: ukupno 7 kodnih jedinica, 3 kodne točke i 2 grafemska skupa. Ograničenje od 2 presjeklo bi zapis U+0301, pa funkcija zadržava samo `e`. Prefiks ostaje valjani UTF-8, ali gubi naglasak. Program ne računa broj skupova.

Povezane lekcije

  • C++ · Lekcija 49 · Napredno · Verzija: 3

Izvori