Jak korzystać z boost :: spirit do parsowania UTF-8?

#include <algorithm> 
#include <iostream> 
#include <string> 
#include <vector> 

#define BOOST_SPIRIT_UNICODE // We'll use unicode (UTF8) all throughout 

#include <boost/spirit/include/qi.hpp> 
#include <boost/spirit/include/qi_parse.hpp> 
#include <boost/spirit/include/support_standard_wide.hpp> 

void parse_simple_string() 
{ 
    namespace qi = boost::spirit::qi;  
    namespace encoding = boost::spirit::unicode; 
    //namespace stw = boost::spirit::standard_wide; 

    typedef std::wstring::const_iterator iterator_type; 

    std::vector<std::wstring> result; 
    std::wstring const input = LR"(12,3","ab,cd","G,G\"GG","kkk","10,\"0","99987","PPP","你好)"; 

    qi::rule<iterator_type, std::wstring()> key = +(qi::unicode::char_ - qi::lit(L"\",\"")); 
    qi::phrase_parse(input.begin(), input.end(), 
        key % qi::lit(L"\",\""), 
        encoding::space, 
        result); 

    //std::copy(result.rbegin(), result.rend(), std::ostream_iterator<std::wstring, wchar_t> (std::wcout, L"\n")); 
    for(auto const &data : result) std::wcout<<data<<std::endl; 
}

Studiowałem ten post How to use Boost Spirit to parse Chinese(unicode utf-16)? i postępuj zgodnie z przewodników, ale nie do analizowania słów "你好"Jak korzystać z boost :: spirit do parsowania UTF-8?

oczekiwane wyniki powinny być

12,3 ab, cd G, G \ "GG kkk 10 \" 0 PPP 你好

ale rzeczywiste wyniki 12,3 ab, cd G, G \ "GG kkk 10 \" 0 PPP

Nie udało się zanalizować chińskich słów "你好"

OS jest 64bits win7, moi edytor zapisać słowa jako UTF-8

Źródło

2012-12-03 StereoMatching

jestem zdezorientowany. Jesteś ... używając UTF8? Po co zatem Wstring? (UTF8 to kodowanie pojedynczych/podwójnych/potrójnych sekwencji bajtów, po prawej). Nie czuję się kwalifikowany do lepszego wyjaśnienia, ale jest to niedopasowanie w mojej percepcji – sehe

1-4 bajtów. Ale tak, to dość rażące niedopasowanie. Dopóki 'char8_t' nie zostanie wprowadzone,' char' jest typem wybierania UTF-8 dla większości. – Puppy

Co wszyscy powiedzieli. 'wstring' jest po prostu nieprawidłowy podczas używania UTF-8. Jeśli chcesz poprawnie zakodowane literały UTF-8, * szczególnie * w systemie Windows, najbezpieczniejszym sposobem jest albo C++ 11 literałów 'u8" blah "(które nie są jeszcze w Visual Studio) lub użyj byte ucieczki z prawą kodowanie bezpośrednio, tj. "\ xE4 \ xBD \ xA0 \ xE5 \ xA5 \ xBD" zamiast "你好". –

Jeśli masz UTF-8 na wejściu, możesz spróbować użyć Unicode Iterators z Boost.Regex.

Na przykład, impuls użycie :: u8_to_u32_iterator:

dwukierunkowy adapter iterator, który sprawia, że bazowy ciąg znaków UTF8 wyglądać (tylko do odczytu) sekwencji znaków UTF32.

live demo

#include <boost/regex/pending/unicode_iterator.hpp> 
#include <boost/spirit/include/qi.hpp> 
#include <boost/range.hpp> 
#include <iterator> 
#include <iostream> 
#include <ostream> 
#include <cstdint> 
#include <vector> 

int main() 
{ 
    using namespace boost; 
    using namespace spirit::qi; 
    using namespace std; 

    auto &&utf8_text=u8"你好，世界！"; 
    u8_to_u32_iterator<const char*> 
     tbegin(begin(utf8_text)), tend(end(utf8_text)); 

    vector<uint32_t> result; 
    parse(tbegin, tend, *standard_wide::char_, result); 
    for(auto &&code_point : result) 
     cout << "&#" << code_point << ";"; 
    cout << endl; 
}

wyjściowa wynosi:

&#20320;&#22909;&#65292;&#19990;&#30028;&#65281;&#0;

Źródło

2013-04-04 19:53:32

+1 dobra robota sir – sehe

Jak korzystać z boost :: spirit do parsowania UTF-8?

Odpowiedz

Powiązane problemy