九天雁翎的博客
如果你想在软件业获得成功,就使用你知道的最强大的语言,用它解决你知道的最难的问题,并且等待竞争对手的经理做出自甘平庸的选择。 -- Paul Graham

UCS-2与UTF8之间的选择(2)--Unicode组织提供的C/C++的Unicode编码转换函数


UCS-2UTF8之间的选择(2--Unicode组织提供的C/C++Unicode编码转换函数

write by 九天雁翎(JTianLing) -- www.jtianling.com

讨论新闻组及文件

这里我大概搜索到了3个库,一个是Unicode组织自己提供的,一个是IBM做的开源ICU工程中的,一个是开源的UCData 2.9

但是UCData2.9中并没有UTF-16,通篇都是为UTF-32设计的,属于那种将来可能会用的到的库,因为目前WindowsLinux的内核都还没有UTF-32化,注定假如使用UTF-32将会在两个地方都失去性能优势。

于是剩下的两个选择就很有意思了,一个是Unicode自己提供的那几个简单的转换函数,一个是IBM提供的一个巨无霸的库,一个Unicode的相关库到了10M的确算是很夸张的了,难怪被别人称作蓝色巨人,干什么都是大手笔,就像它出品的软件工程软件一样,哪一个都是出手不凡,一出一个系列,每个都大的要命。感叹。。。。。

 

C/C++的库的角度,我就只查看这两个了。

Unicode组织的函数:(甚至不能称作库)

这些函数很好用,并且自带了测试套件。

windows中,新建一个空的工程,并将ConvertUTF.h,CVTUTF7.h,CVTUTF7.C,harness.c添加到工程中,编译,运行,既可以运行测试例程,utf7这个我们一般用不上,其实也可以不添加。在我的VS2005 SP1中,运行结果如下:

Three tests of round-trip conversions will be performed.

One test of illegal UTF-32 will be peroformed.

Two illegal result messages are expected; one in test 02A; one in test 03A.

These are for tests of Surrogate conversion.

 

Begin Test01

******** Test01 succeeded without error. ********

 

Begin Test02

Test02A for 55296, input 0000d800, output 0000,0000, result 3

!!! Test02A: note expected illegal result for 0x0000D800

******** Test02 succeeded without error. ********

 

Begin Test03

sourceIllegal   Test03A for 55296 (0xd800); output ; result 3

!!! Test03A: note expected illegal result for 0x0000D800

******** Test03 succeeded without error. ********

 

Begin Test04

******** Test04 succeeded without error. ********

 

很显然的4个测试全部通过,没有任何错误。

提供的我们可能需要的函数有:

isLegalUTF8Sequence()判断一个字符串是否是合法的UTF8字符串

ConvertUTF8toUTF16()转换UTF8字符串到UTF16

ConvertUTF16toUTF8()转换UTF16字符串到UTF8

原型:

ConversionResult ConvertUTF8toUTF16 (

       const UTF8** sourceStart, const UTF8* sourceEnd,

       UTF16** targetStart, UTF16* targetEnd, ConversionFlags flags);

 

ConversionResult ConvertUTF16toUTF8 (

       const UTF16** sourceStart, const UTF16* sourceEnd,

       UTF8** targetStart, UTF8* targetEnd, ConversionFlags flags);

所有的函数采取的结尾判断方式是传递一个结束的指针位置,而不是常见的长度。

 

其提供的几个宏也很有用:

typedef unsigned long    UTF32; /* at least 32 bits */

typedef unsigned short   UTF16; /* at least 16 bits */

typedef unsigned char    UTF8;  /* typically 8 bits */

typedef unsigned char    Boolean; /* 0 or 1 */

 

BooleanC++中似乎是不怎么需要.

 

/* Some fundamental constants */

#define UNI_REPLACEMENT_CHAR (UTF32)0x0000FFFD

#define UNI_MAX_BMP (UTF32)0x0000FFFF

#define UNI_MAX_UTF16 (UTF32)0x0010FFFF

#define UNI_MAX_UTF32 (UTF32)0x7FFFFFFF

#define UNI_MAX_LEGAL_UTF32 (UTF32)0x0010FFFF

 

很有价值的几个宏,除了都强制转换为UTF32比较郁闷,UNI_MAX_BMPUNI_MAX_UTF16可以用的上。

 

typedef enum {

    conversionOK,        /* conversion successful */

    sourceExhausted,  /* partial character in source, but hit end */

    targetExhausted,  /* insuff. room in target for conversion */

    sourceIllegal     /* source sequence is illegal/malformed */

} ConversionResult;

 

这是上述那几个函数的返回值,英文注释解释的很清楚了。

 

typedef enum {

    strictConversion = 0,

    lenientConversion

} ConversionFlags;

 

这是那几个函数的第五参数,一个表示严格转换,一个表示宽容的转换

 

排除harness.c,不编译,添加ConvertUTF.c,自己制作一个测试:

 

// Unicode.cpp : 定义控制台应用程序的入口点。

//

#include <stdio.h>

#include <tchar.h>

#include <windows.h>

#include "ConvertUTF.h"

 

int _tmain(int argc, _TCHAR* argv[])

{

    ConversionResult result = sourceIllegal;

    UTF16 utf16_buf[8] = {0};

    utf16_buf[0] = 0xd834;

    utf16_buf[1] = 0xdf00;

    utf16_buf[2] = 0xd834;

    utf16_buf[3] = 0xdf01;

    utf16_buf[4] = 0xd834;

    utf16_buf[5] = 0xdf02;

    utf16_buf[6] = 0;

    utf16_buf[7] = 0;

    UTF16 *utf16Start = utf16_buf;

    UTF8 utf8_buf[16] = {0};

    UTF8* utf8Start = utf8_buf;

 

    MessageBoxW(NULL, (LPWSTR)utf16_buf, L"Before trans", MB_OK);

    result = ConvertUTF16toUTF8((const UTF16 **) &utf16Start, &(utf16_buf[6]), &utf8Start, &(utf8_buf[16]), strictConversion);

    switch (result) {

       default: fprintf(stderr, "Test02B fatal error: result %d for input %08x/n", result, utf16_buf[0]); exit(1);

       case conversionOK: break;

       case sourceExhausted: printf("sourceExhausted/t"); exit(0);

       case targetExhausted: printf("targetExhausted/t"); exit(0);

       case sourceIllegal: printf("sourceIllegal/t"); exit(0);

    }

 

    // 清空缓存,以确定以后的值的确是转换得来

    ZeroMemory(utf16_buf, sizeof(utf16_buf));

 

    // 由于转换中利用了这两个start,所以需要重新为start定位,并且保存住End

    UTF8* utf8End = utf8Start;

    utf8Start = utf8_buf;

    utf16Start = utf16_buf;

 

    result = ConvertUTF8toUTF16((const UTF8 **) &utf8Start, utf8End, &utf16Start, &(utf16_buf[6]), strictConversion);

    switch (result) {

       default: fprintf(stderr, "Test02B fatal error: result %d for input %08x/n", result, utf16_buf[0]); exit(1);

       case conversionOK: break;

       case sourceExhausted: printf("sourceExhausted/t"); exit(0);

       case targetExhausted: printf("targetExhausted/t"); exit(0);

       case sourceIllegal: printf("sourceIllegal/t"); exit(0);

    }

 

    MessageBoxW(NULL, (LPWSTR)utf16_buf, L"After Trans", MB_OK);

 

    return 0;

}

 

 

利用的还是以前的太玄经字符,经测试,两次的MessageBox显示均正常,唯一需要注意的是由于转换函数的第13个参数都是以指针的指针为参数,并且跟进实现中可以发现,实现中利用了此指针的偏转来完成长度的判断,并且利用此值作为结束的返回,好处自然是还是以指针作为结束的返回了,坏处就是你需要重新利用的时候需要重新定位。如上述源代码及中间的注释所示,这可能也就是这些函数唯一需要注意的地方了,因为和平时对长度的判断不同。

至于为什么要这样做,可能是出于效率的考虑,就像C语言中以NULL为字符串的结束标志而不是在字符串前加一个长度一样,虽然此点因为容易导致严重的越界问题而被人诟病,但是实际上,这样比记长度能够更加有效率的处理字符串是很多人没有发现的。

当以某个值为结束标志(比如C 语言中的NULL)时,遍历只需要偏移起始指针,并在循环每次做一个判断,大概如下形式,这样每次循环只需要一次的比较,一次的++

for(; p != NULL; ++p)

{

    // 此处可以直接处理*p

}

 

假如是长度呢?

可能需要如下形式,一方面需要额外的一个临时变量,一方面对字符串中值的调用效率也更加低了。而这些消耗在以’/0’结尾时就不存在。

for(int i = 0; i < END; ++i)

{

       // p[i]或者p+i的处理方式

}

 

这点也很好解释,为什么到了C++中迭代器还是喜欢用类似的形式:)

for(lit = container.begin(); lit != container.end(); ++lit)

{

 // 直接使用 *lit

}

 

这在效率至上的世界中,很好理解。

 

write by 九天雁翎(JTianLing) -- www.jtianling.com

 

分类:  网络技术 
标签:  C++  UCS-2  Unicode  UTF-8 

Posted By 九天雁翎 at 九天雁翎的博客 on 2009年03月05日

前一篇: 服务器Select模型的实现 后一篇: UCS-2与UTF8之间的选择(3)--windows中各编码字符串的C/C++输出支持及方式比较