C++里将string类字符串（utf-8编码）分解成单个字（可中英混输）

　　最近在建词典，使用Trie字典树，需要把字符串分解成单个字。由于传入的字符串中可能包含中文或者英文，它们的字节数并不相同。一开始天真地认为中文就是两个字节，于是很happy地直接判断当前位置的字符的ASCII码是否处于0~127之间，如果是就提取一个字符，否则提取两个。在测试分字效果的时候，这种方法出了问题。比如我传一个“abcde一二三四五”进去，abcde可以正常分解成 a b c d e，而后面的“一二三四五”则成了乱码。

　　于是我开启了谷歌之旅，搜索“如何在C++中将string中的中文分解成单个字”云云，搜索到的方法大多与我之前的方法雷同，把代码copy下来直接运行也是会出现乱码。我突然想到，linux下可能会出现中文乱码的原因之一就是编码问题，于是我打开了vim的配置文件，发现我确实是把中文设置成了utf-8。

　　发现了这点之后，我专门搜索了utf-8，得知它是一种变长编码，具体规则如下：

　　1）对于单字节的符号，字节的第一位设为0，后面7位为这个符号的unicode码。因此对于英语字母，UTF-8编码和ASCII码是相同的。

　　2）对于n字节的符号（n>1），第一个字节的前n位都设为1，第n+1位设为0，后面字节的前两位一律设为10。剩下的没有提及的二进制位，全部为这个符号的unicode码。

　　如表：

1字节	0xxxxxxx
2字节	110xxxxx 10xxxxxx
3字节	1110xxxx 10xxxxxx 10xxxxxx
4字节	11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
5字节	111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
6字节	1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

　　有了这个，思路就清晰了：首先，我要判断之后一个字是几个字节的，然后截取相应的字节数。于是有了如下代码：

 void Dictionary::splitWord(const string & word, vector<string> & characters)

 {

     int num = word.size();

     int i = ;

     while(i < num)

     {

         int size;

         if(word[i] & 0x80)

         {

             if(word[i] & 0x20)

             {

                 if(word[i] & 0x10)

                 {

                     if(word[i] & 0x08)

                     {

                         if(word[i] & 0x04)

                         {

                                 size = ;

                         }else{

                             size = ;

                         }

                     }else{

                         size = ;

                     }

                 }else{

                     size = ;

                 }

             }else{

                 size = ;

             }

         }else{

             size = ;

         }

         string subWord;

         subWord = word.substr(i, size);

         characters.push_back(subWord);

         i += size;

     }

 }

　　if之中嵌套if，虽然过程很清晰，但是代码行数也太多了，于是对其进行修改，得到如下代码：

 void Dictionary::splitWord(const string & word, vector<string> & characters)

 {

     int num = word.size();

     int i = ;

     while(i < num)

     {

         int size = ;

         if(word[i] & 0x80)

         {

             char temp = word[i];

             temp <<= ;

             do{

                 temp <<= ;

                 ++size;

             }while(temp & 0x80);

         }

         string subWord;

         subWord = word.substr(i, size);

         characters.push_back(subWord);

         i += size;

     }

 }

　　少了一半左右。

　　分解出来的结果是存在vector容器中的，这个可以根据具体需要进行更改。

　　最后发现，中文在utf-8编码中是三个字节的

　　其实，只需要手动打印出对应string的size，就可以计算出每个字占多少字节了，当时怎么没发现呢？

巴特西

C++里将string类字符串（utf-8编码）分解成单个字（可中英混输）

最新文章

热门文章