20

我想迭代Unicode 字符串的每个字符将每个代理对处理并将字符序列组合为一个单元(一个字素)。

例子

文本“नमस्ते”由以下代码点组成:U+0928, U+092E, U+0938, U+094D, U+0924, U+0947, 其中,U+0938U+0947组合标记

static void Main(string[] args)
{
    const string s = "नमस्ते";

    Console.WriteLine(s.Length); // Ouptuts "6"

    var l = 0;
    var e = System.Globalization.StringInfo.GetTextElementEnumerator(s);
    while(e.MoveNext()) l++;
    Console.WriteLine(l); // Outputs "4"
}

所以我们在.NET中有它。我们也有 Win32 的CharNextW()

#include <Windows.h>
#include <iostream>
#include <string>

int main()
{
    const wchar_t * s = L"नमस्ते";

    std::cout << std::wstring(s).length() << std::endl; // Gives "6"

    int l = 0;
    while(CharNextW(s) != s)
    {
        s = CharNextW(s);
        ++l;
    }

    std::cout << l << std::endl; // Gives "4"

    return 0;
}

问题

我知道的两种方式都是微软特有的。有便携的方法吗?

  • 我听说过 ICU,但我无法快速找到相关的东西(UnicodeString(s).length()仍然给出 6)。指向 ICU 中的相关功能/模块是一个可以接受的答案。
  • C++ 没有 Unicode 的概念,因此用于处理这些问题的轻量级跨平台库将是一个可以接受的答案。

编辑:使用ICU的正确答案

@McDowell 给出了使用BreakIteratorICU 的提示,我认为这可以被视为处理 Unicode 的事实上的跨平台标准。这是一个示例代码来演示其用法(因为示例 非常罕见):

#include <unicode/schriter.h>
#include <unicode/brkiter.h>

#include <iostream>
#include <cassert>
#include <memory>

int main()
{
    const UnicodeString str(L"नमस्ते");

    {
        // StringCharacterIterator doesn't seem to recognize graphemes
        StringCharacterIterator iter(str);
        int count = 0;
        while(iter.hasNext())
        {
            ++count;
            iter.next();
        }
        std::cout << count << std::endl; // Gives "6"
    }

    {
        // BreakIterator works!!
        UErrorCode err = U_ZERO_ERROR;
        std::unique_ptr<BreakIterator> iter(
            BreakIterator::createCharacterInstance(Locale::getDefault(), err));
        assert(U_SUCCESS(err));
        iter->setText(str);

        int count = 0;
        while(iter->next() != BreakIterator::DONE) ++count;
        std::cout << count << std::endl; // Gives "4"
    }

    return 0;
}
4

3 回答 3

13

您应该能够为此使用 ICU BreakIterator(假设它与 Java 版本功能等效的字符实例)。

于 2011-01-02T16:33:52.517 回答
2

如果您可以使用 utf-8, Glib 的ustring类会为您提供 utf-8 字符串。它的设计类似于std::string. 由于 utf-8 是 Linux 原生的,因此您的任务非常简单:

int main()
{
    Glib::ustring s = L"नमस्ते";
    cout << s.size();
}

你也可以像往常一样迭代字符串的字符Glib::ustring::iterator

于 2011-01-02T16:49:06.667 回答
0

ICU 有一个非常旧的界面,Boost.Locale 更好:

#include <iostream>
#include <string_view>

#include <boost/locale.hpp>

using namespace std::string_view_literals;

int main()
{
    boost::locale::generator gen;
    auto string = "noël "sv;
    boost::locale::boundary::csegment_index map{
        boost::locale::boundary::character, std::begin(string),
        std::end(string), gen("")};
    for (const auto& i : map)
    {
        std::cout << i << '\n';
    }
}

文字来自这里

于 2017-08-09T04:41:35.683 回答