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+0938
和U+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BreakIterator
ICU 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;
}