Znalostná bázaCentrum skúšok
SKSlovenčina
Vybrať jazyk13

CKTIS / C++

UTF-8 v C++: kódové jednotky, kódové body a grafémové zhluky

Dĺžka textu v UTF-8 závisí od toho, či počítame kódové jednotky, kódové body alebo grafémové zhluky. Príklad počíta a skracuje platné UTF-8 bez rozdelenia kódového bodu.

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

Syntax

// 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

Kódová jednotka UTF-8 je osembitový oktet. Kódový bod je číselná hodnota v Unicode, napríklad U+0301. Každá skalárna hodnota Unicode (kódový bod mimo rozsahu náhradných hodnôt) zaberá v platnom UTF-8 jednu až štyri jednotky. Rozšírený grafémový zhluk tvorí jeden alebo viac kódových bodov zoskupených podľa pravidiel segmentácie Unicode (UAX #29). Približne zodpovedá jednému znaku vnímanému používateľom, nie jeho šírke pri zobrazení.

Od C++20 má literál u8"..." typ const char8_t[N]; N zahŕňa koncovú nulovú jednotku. Na rozdiel od bežného literálu "..." sa ukazovateľ získaný z poľa implicitne nekonvertuje na const char*. std::u8string_view z <string_view> je pohľad, ktorý dáta nevlastní. size() počíta jednotky v pohľade a konštruktor s jediným ukazovateľom sa zastaví pri prvej nule. Ak chceš zahrnúť aj vnorené nuly, použi ukazovateľ a dĺžku platného rozsahu. Literál existuje počas celého behu programu; iná podkladová pamäť musí zostať platná, kým sa pohľad používa.

V platnom UTF-8 sa každý kódový bod začína presne jednou jednotkou, ktorá nie je pokračovacia. Pokračovacie jednotky majú bitový vzor 10xxxxxx. Začiatky sa preto dajú počítať bez dekódovania hodnôt. substr(0, n) reže podľa jednotiek a môže rozdeliť viacjednotkovú sekvenciu. Ak chceš najdlhší prefix v rámci limitu jednotiek, posúvaj miesto rezu späť, kým ukazuje na pokračovaciu jednotku, až po hranicu kódového bodu.

Počítanie aj skracovanie predpokladajú platné UTF-8: neoverujú kódovanie, nenormalizujú text ani neurčujú hranice grafém. Nedôveryhodný vstup najskôr over a chybne kódované dáta odmietni alebo použi výslovne určené pravidlo náhrady. Na skracovanie podľa vnímaných znakov použi knižnicu so segmentáciou grafém Unicode; C++23 na to neposkytuje všeobecné API.

Príklady

#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';
}

Výsledok

code_units: 7
code_points: 3
prefix_code_units: 1

`e`, U+0301 a emoji U+1F642 zaberajú postupne 1, 2 a 4 jednotky: spolu 7 kódových jednotiek, 3 kódové body a 2 grafémové zhluky. Limit 2 by viedol k rezu vnútri kódovania U+0301, takže funkcia ponechá iba `e`. Prefix zostáva platným UTF-8, ale stratí dĺžeň. Program počet zhlukov nepočíta.

Súvisiace lekcie

  • C++ · Lekcia 49 · Pokročilá · Verzia: 3

Zdroje