[C++]string中文的匹配问题

*何谓匹配*

根据string定义的find函数，可以实现查找子串：

string str("abc");
if ((int)str.find("bc") > 0)
    printf("okay\n"); // 匹配成功
else
    printf("none\n"); // 匹配失败
// 输出 okay

[注] 使用printf的原因是<cstdio>库编译速度更快一些。

运行，使用大量数据，程序运行状况良好。

然而，如果使用其处理中文，会发现：

string str("人类");
if ((int)str.find("死") > 0)
    printf("okay\n"); // 匹配成功
else
    printf("none\n"); // 匹配失败
// 输出 okay

竟然匹配了！？

*探求原因*

为什么会产生这种输出呢？
我们来想一下string.find是怎样查找的。
按字符查找！
那么，“人类”有几个字符（’\0’排外）呢？

printf("%d\n",string("人类").length()); // 4

咦？奇怪，分明是2个，怎么有4个呢？

原来，Windows中1，中文（简体）通常使用GBK来编码的。

我们来看看“人类”是怎么编码的：

printf("%X ", "人类"[0]);
printf("%X ", "人类"[1]);
printf("%X ", "人类"[2]);
printf("%X ", "人类"[3]);
// FFFFFFC8 FFFFFFCB FFFFFFC0 FFFFFFE0

请看！
“人类”的GBK编码是C8CB C0E0。

printf("%X ", "死"[0]);
printf("%X ", "死"[1]);
// FFFFFFCB FFFFFFC0

而“死”的编码是CBC0！
这样一来，使用string的find函数进行搜索时，”人类”能够匹配”死”的问题就瞬间搞懂了。

*问题求解*

那么，怎么解决呢？

经查询资料：
GBK分两段：ASCII段和中文段。ASCII段使用单字节，和ASCII编码保持一致；中文（及特殊符号）段使用双字节编码。在双字节段中，第一字节的范围是81–FE（也就是不含80和FF），第二字节的一部分领域在40–7E，其他领域在80–FE2。
也就是说，在GBK编码中，中文有两个字节，首字节范围81~FE，尾字节范围40~7E。
这么说来，判断一个字符（或者中文的一个字）是否为中文，只要判断其是否大于0x80即可。在判断其大于时，获取两个字节，同时向下跳一字节，进行后续判断；如果不大于，则为ASCII字符，获取一个字节。

根据以上所述，我们利用union将字符化为int型。

代码如下：

std::vector<int> stringToVecInt(const std::string &str)
{
    union {
        char c[2];
        int  i;
    } convert;

    // 段位清零
    convert.i = 0;

    std::vector<int> vec;

    for (unsigned i = 0; i < str.length(); i++) {
        // GBK编码首字符大于0x80
        if ((unsigned)str[i] > 0x80) {
            // 利用union进行转化，注意是大端序
            convert.c[1] = str[i];
            convert.c[0] = str[i + 1];
            vec.push_back(convert.i);
            i++;
        } else
            // 小于0x80，为ASCII编码，一个字节
            vec.push_back(str[i]);
    }
    return vec;
}

我们使用<algorithm>里的search函数，进行子串的搜索。

bool include(const std::string &str, const std::string &msg)
{
    auto sour = stringToVecInt(str);
    auto find = stringToVecInt(msg);
    return std::search(sour.begin(), sour.end(), find.begin(), find.end()) != sour.end();
}

测试下效果：

if (include("人类","死"))
    printf("okay\n"); // 匹配成功
else
    printf("none\n"); // 匹配失败
// none

成功！

*后续思考*

其实，GBK的编码可以直接写在字符串里：
比如”人类”就是”\xC8\xCB\xC0\xE0”。

编码问题，是相当复杂的问题，凡是有字符串处理，多少都会遇到编码的问题。
本文问题的提出和解决是基于GBK编码的，而在互联网中，UTF-8、Unicode等编码也是经常使用的。在处理字符串时，一定要留心各种可能发生的编码问题，毕竟问题是永远解决不完的。

2016.1.30

---

1. 笔者使用Windows下的Visual Studio 2015作为开发环境。 ↩
2. 详见维基百科：汉字内码扩展规范 ↩