Zakładając, że środowisko Linux używa kodowania UTF-8, a następnie następujący kod przygotuje program do łatwego leczenia Unicode w C++:
int main(int argc, char * argv[]) {
std::setlocale(LC_CTYPE, "");
// ...
}
Następnie wchar_t typ jest 32-bitowy w systemie Linux, co oznacza, że może przechowywać poszczególne punkty kodowe Unicode i bezpiecznie używać typu Wstring do klasycznego przetwarzania ciągów w C++ (znak po znaku). W powyższym wywołaniu setlocale, wstawienie do wcout automatycznie przetłumaczy twoje wyjście na UTF-8, a wyodrębnienie z wcin automatycznie przetłumaczy wejście UTF-8 na UTF-32 (1 znak = 1 punkt kodowy). Jedynym problemem, który pozostaje, jest to, że ciągi argv [i] są nadal kodowane w UTF-8.
Możesz użyć następującej funkcji do dekodowania UTF-8 do UTF-32.Jeśli ciąg wejściowy jest uszkodzony, zwróci poprawnie skonwertowane znaki, aż do miejsca, w którym złamano reguły UTF-8. Możesz go poprawić, jeśli potrzebujesz więcej raportów o błędach. Ale dla danych argv można bezpiecznie założyć, że jest ona poprawna UTF-8:
#define ARR_LEN(x) (sizeof(x)/sizeof(x[0]))
wstring Convert(const char * s) {
typedef unsigned char byte;
struct Level {
byte Head, Data, Null;
Level(byte h, byte d) {
Head = h; // the head shifted to the right
Data = d; // number of data bits
Null = h << d; // encoded byte with zero data bits
}
bool encoded(byte b) { return b>>Data == Head; }
}; // struct Level
Level lev[] = {
Level(2, 6),
Level(6, 5),
Level(14, 4),
Level(30, 3),
Level(62, 2),
Level(126, 1)
};
wchar_t wc = 0;
const char * p = s;
wstring result;
while (*p != 0) {
byte b = *p++;
if (b>>7 == 0) { // deal with ASCII
wc = b;
result.push_back(wc);
continue;
} // ASCII
bool found = false;
for (int i = 1; i < ARR_LEN(lev); ++i) {
if (lev[i].encoded(b)) {
wc = b^lev[i].Null; // remove the head
wc <<= lev[0].Data * i;
for (int j = i; j > 0; --j) { // trailing bytes
if (*p == 0) return result; // unexpected
b = *p++;
if (!lev[0].encoded(b)) // encoding corrupted
return result;
wchar_t tmp = b^lev[0].Null;
wc |= tmp << lev[0].Data*(j-1);
} // trailing bytes
result.push_back(wc);
found = true;
break;
} // lev[i]
} // for lev
if (!found) return result; // encoding incorrect
} // while
return result;
} // wstring Convert