Baza wiedzyCentrum egzaminacyjne
PLPolski
Wybierz język13

CKTIS / C++

UTF-8 w C++: jednostki kodowe, punkty kodowe i klastry grafemowe

Długość tekstu UTF-8 zależy od tego, co mierzymy: jednostki kodowe, punkty kodowe czy klastry grafemowe. Przykład pokazuje zliczanie i skracanie poprawnego UTF-8 bez przecinania punktu kodowego.

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

Składnia

// 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

Jednostka kodowa UTF-8 to 8-bitowy oktet. Punkt kodowy to wartość liczbowa Unicode, np. U+0301. Każda wartość skalarna (punkt kodowy spoza zakresu surogatów) zajmuje w poprawnym UTF-8 od jednej do czterech jednostek kodowych. Rozszerzony klaster grafemowy to sekwencja jednego lub kilku punktów kodowych wyznaczona według reguł segmentacji Unicode (UAX #29), która przybliża to, co odbieramy jako jeden znak. Nie jest to miara szerokości wyświetlania.

Od C++20 literał u8"..." ma typ const char8_t[N], a N obejmuje końcową jednostkę zerową. Nie zachowuje się jak zwykły literał "...": wskaźnik powstały z tablicy u8 nie konwertuje się niejawnie na const char*. std::u8string_view z <string_view> to widok bez własności danych. size() liczy jednostki kodowe widoku, a konstruktor przyjmujący tylko wskaźnik zatrzymuje się na pierwszym zerze. Aby uwzględnić zera wewnątrz danych, użyj konstruktora ze wskaźnikiem i długością poprawnego zakresu. Literał istnieje przez cały czas działania programu; inne dane muszą pozostać dostępne przez cały czas używania widoku.

W poprawnym UTF-8 każdy punkt kodowy zaczyna się od dokładnie jednej jednostki, która nie ma postaci 10xxxxxx; jednostki o tej postaci są jednostkami kontynuacji. Można więc policzyć początki bez dekodowania wartości punktów kodowych. substr(0, n) tnie według jednostek kodowych i może przeciąć sekwencję wielojednostkową. Aby uzyskać najdłuższy prefiks mieszczący się w limicie jednostek, cofnij pozycję cięcia, jeśli wskazuje jednostkę kontynuacji, i powtarzaj to aż do granicy punktu kodowego.

Zliczanie i skracanie zakładają poprawny UTF-8: nie sprawdzają jego poprawności, nie normalizują tekstu ani nie wyznaczają granic grafemów. Dla niezaufanego wejścia najpierw sprawdź kodowanie i odrzuć błędne dane lub zastosuj jawną zasadę ich zastępowania. Do skracania według znaków postrzeganych przez użytkownika użyj biblioteki implementującej segmentację grafemów Unicode; C++23 nie udostępnia ogólnego API do tego zadania.

Przykłady

#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';
}

Wynik

code_units: 7
code_points: 3
prefix_code_units: 1

Zapis `e` + U+0301 i emoji U+1F642 zajmują odpowiednio 1, 2 i 4 jednostki kodowe: razem 7 jednostek, 3 punkty kodowe i 2 klastry grafemowe. Przy limicie 2 jednostek cięcie wypadałoby w środku kodowania U+0301, więc funkcja zachowuje tylko `e`. Prefiks jest poprawnym UTF-8, ale traci akcent. Program nie oblicza liczby klastrów.

Powiązane lekcje

  • C++ · Lekcja 49 · Zaawansowany · Wersja: 3

Źródła