当前位置: 编程技术>c/c++/嵌入式
C++中可正确获取UTF-8字符长度的函数分享
来源: 互联网 发布时间:2014-10-26
本文导语: 在C++的char*以及string中,使用的是字节流编码,即sizeof(char) == 1。 也就是说,C++是不区分字符的编码的。 而一个合法UTF8的字符长度可能为1~4位。 现在假设一串输入为UTF8编码,如何能准确的定位到每个UTF8字符的“CharPoint”,...
在C++的char*以及string中,使用的是字节流编码,即sizeof(char) == 1。
也就是说,C++是不区分字符的编码的。
而一个合法UTF8的字符长度可能为1~4位。
现在假设一串输入为UTF8编码,如何能准确的定位到每个UTF8字符的“CharPoint”,而不会错误的分割字符呢?
参考这个页面:http://www.nubaria.com/en/blog/?p=289
可以改造出下面的函数:
const unsigned char kFirstBitMask = 128; // 1000000 const unsigned char kSecondBitMask = 64; // 0100000 const unsigned char kThirdBitMask = 32; // 0010000 const unsigned char kFourthBitMask = 16; // 0001000 const unsigned char kFifthBitMask = 8; // 0000100 int utf8_char_len(char firstByte) { std::string::difference_type offset = 1; if(firstByte & kFirstBitMask) // This means the first byte has a value greater than 127, and so is beyond the ASCII range. { if(firstByte & kThirdBitMask) // This means that the first byte has a value greater than 224, and so it must be at least a three-octet code point. { if(firstByte & kFourthBitMask) // This means that the first byte has a value greater than 240, and so it must be a four-octet code point. offset = 4; else offset = 3; } else { offset = 2; } } return offset; }