Iteração de plataforma cruzada da cadeia de caracteres Unicode (contando Graphemes usando ICU)
Eu quero iterarcada personagem de uma sequência Unicode,tratando cada par substituto e combinando a sequência de caracteres como uma única unidade (um grafema).
ExemploO texto "नमस्ते" é composto pelos pontos de código:U+0928, U+092E, U+0938, U+094D, U+0924, U+0947
, das quais,U+0938
eU+0947
estãocombinando marcas.
static void Main(string[] args)
{
const string s = "नमस्ते";
Console.WriteLine(s.Length); // Ouptuts "6"
var l = 0;
var e = System.Globalization.StringInfo.GetTextElementEnumerator(s);
while(e.MoveNext()) l++;
Console.WriteLine(l); // Outputs "4"
}
Então, temos isso no .NET. Também temos Win32CharNextW()
#include <Windows.h>
#include <iostream>
#include <string>
int main()
{
const wchar_t * s = L"नमस्ते";
std::cout << std::wstring(s).length() << std::endl; // Gives "6"
int l = 0;
while(CharNextW(s) != s)
{
s = CharNextW(s);
++l;
}
std::cout << l << std::endl; // Gives "4"
return 0;
}
Pergunta, questãoAs duas maneiras que conheço são específicas da Microsoft. Existemportátil maneiras de fazer isso?
Eu ouvi sobre a UTI, mas não consegui encontrar algo relacionado rapidamente (UnicodeString(s).length()
ainda dá 6). Seria uma resposta aceitável apontar para a função / módulo relacionado na UTI.Como o C ++ não tem noção de Unicode, uma biblioteca leve de plataforma cruzada para lidar com esses problemas seria uma resposta aceitável.Edit: Resposta correta usando ICU@McDowell deu a dica de usarBreakIterator
da UTI, que eu acho que pode ser considerado o padrão de plataforma cruzada de fato para lidar com o Unicode. Aqui está um código de exemplo para demonstrar seu uso (já que exemplos sãosurpreendentemente raro):
#include <unicode/schriter.h>
#include <unicode/brkiter.h>
#include <iostream>
#include <cassert>
#include <memory>
int main()
{
const UnicodeString str(L"नमस्ते");
{
// StringCharacterIterator doesn't seem to recognize graphemes
StringCharacterIterator iter(str);
int count = 0;
while(iter.hasNext())
{
++count;
iter.next();
}
std::cout << count << std::endl; // Gives "6"
}
{
// BreakIterator works!!
UErrorCode err = U_ZERO_ERROR;
std::unique_ptr<BreakIterator> iter(
BreakIterator::createCharacterInstance(Locale::getDefault(), err));
assert(U_SUCCESS(err));
iter->setText(str);
int count = 0;
while(iter->next() != BreakIterator::DONE) ++count;
std::cout << count << std::endl; // Gives "4"
}
return 0;
}