C++11与Unicode及使用标准库进行UTF-8、UTF-16、UCS2、UCS4/UTF-32编码转换

zt https://blog.poxiao.me/p/unicode-character-encoding-conversion-in-cpp11/

Unicode

Unicode是计算机领域的一项行业标准，它对世界上绝大部分的文字的进行整理和统一编码，Unicode的编码空间可以划分为17个平面（plane），每个平面包含2的16次方（65536）个码位。17个平面的码位可表示为从U+0000到U+10FFFF，共计1114112个码位，第一个平面称为基本多语言平面（Basic Multilingual Plane, BMP），或称第零平面（Plane 0）。其他平面称为辅助平面（Supplementary Planes）。基本多语言平面内，从U+D800到U+DFFF之间的码位区段是永久保留不映射到Unicode字符，所以有效码位为1112064个。最新的版本是Unicode 6.3发布于2013年9月30日。

Unicode的编码方式

对于被Unicode收录的字符其编码是唯一且确定的。但是Unicode的实现方式(出于传输、存储、处理或向后兼容的考虑)却有不同的几种，其中最流行的是UTF-8、UTF-16、UCS2、UCS4/UTF-32等，细分的话还有大小端的区别。

UTF-8(8-bit Unicode Transformation Format)

UTF-8是一种变长编码，对于一个Unicode的字符被编码成1至4个字节。Unicode编码与UTF-8的编码的对应关系如下表

Unicode编码	UTF-8编码(二进制)
U+0000 – U+007F	0xxxxxxx
U+0080 – U+07FF	110xxxxx 10xxxxxx
U+0800 – U+FFFF	1110xxxx 10xxxxxx 10xxxxxx
U+10000 – U+10FFFF	11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

其中绝大部分的中文用三个字节编码，部分中文用四个字节编码，举例如下:

Unicode	字符	UTF-8编码
U+0041	A	0×41
U+7834	破	0xE7 0xA0 0xB4
U+6653	晓	0xE6 0×99 0×93
U+2A6A5	?(四个龍)	0xF0 0xAA 0x9A 0xA5

优点:
1.向后兼容ASCII编码；
2.没有字节序(大小端)的问题适合网络传输；
3.存储英文和拉丁文等字符非常节省存储空间。
缺点:
1.变长编码不利于文本处理；
2.对于CJK等文字比较浪费存储空间。

UTF-16(16-bit Unicode Transformation Format)

UTF-16也是一种变长编码，对于一个Unicode字符被编码成1至2个码元，每个码元为16位。

基本多语言平面（码位范围U+0000-U+FFFF）

在基本多语言平面内的码位UTF-16编码使用1个码元且其值与Unicode是相等的（不需要转换）。举例如下

Unicode	字符	UTF-16（码元）	UTF-16 LE（字节）	UTF-16 BE（字节）
U+0041	A	0×0041	0×41 0×00	0×00 0×41
U+7834	破	0×7834	0×34 0×78	0×78 0×34
U+6653	晓	0×6653	0×53 0×66	0×66 0×53

辅助平面（码位范围U+10000-U+10FFFF）

在辅助平面内的码位在UTF-16中被编码为一对16bit的码元（即32bit,4字节），称作代理对(surrogate pair)。组成代理对的两个码元前一个称为前导代理(lead surrogates)范围为0xD800-0xDBFF，后一个称为后尾代理(trail surrogates)范围为0xDC00-0xDFFF。UTF-16辅助平面代理对与Unicode的对应关系如下表

Lead \ Trail	0xDC00	0xDC01	…	0xDFFF
0xD800	U+10000	U+10001	…	U+103FF
0xD801	U+10400	U+10401	…	U+107FF
⋮	⋮	⋮	⋱	⋮
0xDBFF	U+10FC00	U+10FC01	…	U+10FFFF

举例如下

Unicode	字符	UTF-16（码元）	UTF-16 LE（字节）	UTF-16 BE（字节）
U+2A6A5	?	0xD869 0xDEA5	0×69 0xD8 0xA5 0xDE	0xD8 0×69 0xDE 0xA5

优点:
1.绝大部分的文字都可以用两个字节编码，对于CJK文字是比较节省空间的；
2.文本处理比UTF-8方便得多。
缺点:
1.存储和传输需要考虑字节序的问题；
2.不兼容ASCII。

UCS2(2-byte Universal Character Set)

UCS2是一种定长编码，编码范围为0×0000-0xFFFF。在基本多语言平面内与UTF-16是等价。UCS2没有类似于UTF-16中代理对的概念，所以对于0xD869 0xDEA5会识别成两个字符。因为是定长编码，所以文本处理很方便。缺点是不能表示全部的Unicode字符。

UCS4(4-byte Universal Character Set)/UTF-32(32-bit Unicode Transformation Format)

UCS4/UTF-32是一种定长编码，使用1个32bit的码元，其值与Unicode编码值相等。举例如下:

Unicode	字符	UTF-32（码元）	UTF-32 LE（字节）	UTF-32 BE（字节）
U+0041	A	0×00000041	0×41 0×00 0×00 0×00	0×00 0×00 0×00 0×41
U+7834	破	0×00007834	0×34 0×78 0×00 0×00	0×00 0×00 0×78 0×34
U+6653	晓	0×00006653	0×53 0×66 0×00 0×00	0×00 0×00 0×66 0×53
U+2A6A5	?	0x0002A6A5	0xA5 0xA6 0×02 0×00	0×00 0×02 0xA6 0xA5

优点是编码定长容易进行文本处理，缺点是浪费存储空间及存在字节序的问题。

C++11对Unicode的支持

C++11对Unicode提供了语言级别和库级别的支持。

USL(Unicode String Literals)

USL是C++11对Unicode提供的语言级别的支持。在C++11之前C++中有个wchar_t的类型用于存储宽字符（Wide-Character）。你可以写下面这样的代码，

1 2 3

wchar_t wc = L '中' ; wchar_t wc_array[] = L "破晓的博客" ; std::wstring wstr = L "破晓的博客" ;

以L开头的字符(或字符串)字面量称为WCSL(Wide-Character String Literals)。本意大概也是用来提供Unicode支持的，可惜标准没有规定这个的实现，wchar_t及其字面量是实现相关的。比如
1.在windows平台下sizeof(wchar_t)为2，而在linux平台下sizeof(wchar_t)为4；
2.在windows平台下宽字符(或字符串)字面量使用UTF-16编码，linux平台下使用UTF-32编码。
导致了下面这段代码在windows下编译时会报错，而在linux下可以编译通过。

1	wchar_t wc = L '?' ; // U+2A6A5

导致下面这段代码的输出结果不同，windows下输出为2而linux下的输出为1。

1 2	std::wstring wstr = L "?" ; std::cout << wstr.size() << std::endl;

C++11新增了char16_t(至少16位)和char32_t(至少32位)以及USL允许下面这样的代码

1 2 3 4 5 6 7 8 9 10 11

// utf-8 char u8_array[] = u8 "破晓的博客" ; std::string u8_str = u8 "破晓的博客" ; // utf-16 char16_t u16_c = u '中' ; char16_t u16_array[] = u "破晓的博客" ; std::u16string u16_str = u "破晓的博客" ; // ucs4 char32_t u32_c = U '?' ; char32_t u32_array[] = U "破晓的博客"