Кодировка Unicode для строковых литералов в C ++ 11

85

В ответ на связанный с этим вопрос я хотел бы задать вопрос о новых типах символьных и строковых литералов в C ++ 11. Кажется, что теперь у нас есть четыре вида символов и пять видов строковых литералов. Типы персонажей:

char     a =  '\x30';         // character, no semantics
wchar_t  b = L'\xFFEF';       // wide character, no semantics
char16_t c = u'\u00F6';       // 16-bit, assumed UTF16?
char32_t d = U'\U0010FFFF';   // 32-bit, assumed UCS-4

И строковые литералы:

char     A[] =  "Hello\x0A";         // byte string, "narrow encoding"
wchar_t  B[] = L"Hell\xF6\x0A";      // wide string, impl-def'd encoding
char16_t C[] = u"Hell\u00F6";        // (1)
char32_t D[] = U"Hell\U000000F6\U0010FFFF"; // (2)
auto     E[] = u8"\u00F6\U0010FFFF"; // (3)

Вопрос в следующем: можно ли свободно комбинировать ссылки на символы \x/ \u/ \Uсо всеми типами строк? Все ли строковые типы имеют фиксированную ширину, то есть массивы содержат ровно столько элементов, сколько указано в литерале, или ссылки на \x/ \u/ \Uрасширяются до переменного числа байтов? Do u""и u8""струны кодирующая семантику, например , я могу сказать char16_t x[] = u"\U0010FFFF", и не- элемент код BMP будет закодирован в последовательность utf16 два блока? И аналогично дляu8 ? Могу ли я писать суррогаты-одиночки в (1) \u? Наконец, осведомлены ли какие-либо из строковых функций о кодировании (т.е. они распознают символы и могут обнаруживать недопустимые последовательности байтов)?

Это немного открытый вопрос, но я хотел бы получить как можно более полное представление о новых возможностях кодирования UTF и типов в новом C ++ 11.

Керрек С.Б.
источник
4
GCC кодирует u"\U0010FFFF"суррогатную пару.
kennytm

Ответы:

57

Можно ли свободно комбинировать ссылки на символы \ x / \ u / \ U со всеми типами строк?

Номер \xможет быть использован в чем - либо, но \uи \Uможет быть использован только в строках, которые специально UTF кодировки. Однако для любой строки в кодировке UTF \uи \Uможет использоваться по своему усмотрению.

Все ли строковые типы имеют фиксированную ширину, то есть массивы содержат ровно столько элементов, сколько указано в литерале, или ссылки на \ x / \ u / \ U расширяются до переменного числа байтов?

Не так, как вы имеете в виду. \x, \uИ \Uпреобразуются на основе строки кодирования. Количество значений этих «кодовых единиц» (используя термины Unicode. A char16_t- кодовая единица UTF-16) зависит от кодировки содержащей строку. Литерал u8"\u1024"создаст строку, содержащую 2 chars плюс нулевой терминатор. Литерал u"\u1024"создаст строку, содержащую 1 char16_tплюс нулевой терминатор.

Количество используемых кодовых единиц основано на кодировке Unicode.

Имеют ли строки u "" и u8 "" семантику кодирования, например, могу ли я сказать char16_t x [] = u "\ U0010FFFF", и кодовая точка не-BMP кодируется в двухэлементную последовательность UTF16?

u""создает строку в кодировке UTF-16. u8""создает строку в кодировке UTF-8. Они будут закодированы в соответствии со спецификацией Unicode.

В (1) могу ли я писать одинокие суррогаты с \ u?

Точно нет. Спецификация прямо запрещает использование суррогатных пар UTF-16 (0xD800-0xDFFF) в качестве кодовых точек для \uили \U.

Наконец, осведомлены ли какие-либо строковые функции о кодировании (т.е. они распознают символы и могут обнаруживать недопустимые последовательности байтов)?

Точно нет. Что ж, позвольте мне перефразировать это.

std::basic_stringне работает с кодировками Unicode. Они определенно могут хранить строки в кодировке UTF. Но они могут думать только о них , как последовательности char, char16_tили char32_t; они не могут думать о них как о последовательности кодовых точек Unicode, которые закодированы с помощью определенного механизма.basic_string::length()вернет количество кодовых единиц, а не кодовых точек. И очевидно, что строковые функции стандартной библиотеки C совершенно бесполезны.

Однако следует отметить, что «длина» строки Unicode не означает количество кодовых точек. Некоторые кодовые точки объединяют «символы» (неудачное имя), которые объединяются с предыдущей кодовой точкой. Таким образом, несколько кодовых точек могут отображаться на один визуальный символ.

Фактически Iostreams могут читать / записывать значения в кодировке Unicode. Для этого вам нужно будет использовать локаль, чтобы указать кодировку и правильно внедрить ее в разные места. Это легче сказать, чем сделать, и у меня нет кода, чтобы показать вам, как это сделать.

Николь Болас
источник
7
@ Филипп: Нет, это не так. Unicode специально резервирует их для суррогатов UTF-16. И, как уже говорилось, спецификация C ++ 0x говорит, что компиляция завершится неудачно, если вы попытаетесь указать кодовую точку в этом диапазоне.
Никол Болас,
12
Ваша ссылка доказывает, что это кодовые точки. Если вы не доверяете Википедии, прочтите определения 9 и 10 в главе 3 Стандарта. Однако суррогатные кодовые точки в строковых литералах запрещены в C ++ 0x правилом § 2.4 / 2.
Филипп
1
После прочтения я также подтверждаю, что суррогатные кодовые точки принимаются в строковых литералах.
Джордж Куртис
В C11, \xне может быть использована ни с чем, например , U + 1F984 не будет работать с \ х префикс, и \uи \Uне могут быть использованы с управляющими символами ASCII, по крайней мере в Clang.
MarcusJ