Comment obtenir STL STD :: String pour travailler avec Unicode sur Windows?

Oui - en étant plus conscient des locaux et des codages.

Windows a deux appels de fonctions pour tout ce qui nécessite un texte, un Foobara () et un Foobarw (). Les fonctions * W () prennent des chaînes codées UTF-16, le * A () prend des chaînes dans le codépage actuel. Toutefois, Windows ne prend pas en charge une page de code UTF-8, vous ne pouvez donc pas l'utiliser directement dans ce sens avec les fonctions * A () et ne voudriez pas dépendre de celle-ci par les utilisateurs. Si vous souhaitez "Unicode" sous Windows, utilisez les fonctions UNICODE-CAPABLE (* W). Il y a des tutoriels là-bas, Googling "Unicode Windows Tutorial" devrait vous en obtenir.

Si vous stockez des données UTF-8 dans une STD :: String, puis avant de la transmettre à Windows, convertissez-la en UTF-16 (Windows fournit des fonctions pour le faire), puis transmettez-la à Windows. < / p>

Beaucoup de ces problèmes découlent de C / C ++ étant généralement encodés-agnostiques. Char n'est pas vraiment un personnage, c'est juste un type intégral. Même en utilisant des tableaux Char pour stocker les données UTF-8, vous pouvez vous mettre en difficulté si vous devez accéder aux unités de code individuelles, car Char SIGNÉ-NESS est laissé non défini par le normes. Une déclaration comme str [x] <0x80 pour vérifier que les caractères de plusieurs octets peuvent introduire rapidement un bug. (Cette déclaration est toujours vraie si Char est signé.) Une unité de code UTF-8 est un type intégré non signé avec une plage de 0 à 255. Cette carte vers le type C de uint8_t exactement, bien que non signé Char fonctionne également. Idéalement, je ferais une chaîne UTF-8 une chaîne de uint8_t s, mais en raison d'anciennes API, ceci est rarement fait.

Certaines personnes ont recommandé wchar_t , réclamant qu'il s'agit d'être "un type de caractère unicode" ou quelque chose comme ça. Encore une fois, la norme est tout aussi agnostique qu'auparavant, car c est censé travailler n'importe où et n'importe où pourrait ne pas utiliser Unicode. Ainsi, wchar_t n'est plus unicode que char . Les états standard:

qui est un type d'entier dont la plage de valeurs peut représenter des codes distincts pour tous les membres du plus grand jeu de caractères étendu spécifié parmi les locaux pris en charge

in Linux, un wchart_t représente une unité de code / code de code UTF-32. C'est donc 4 octets. Cependant, sous Windows, c'est une unité de code UTF-16 et n'est que 2 octets. (Ce qui, j'aurais dit que je ne serais pas conforme à ce qui précède, car 2 octets ne peuvent pas représenter tous d'unicode, mais c'est ainsi que cela fonctionne.) Cette différence de taille et la différence de codage de données, met clairement une souche sur la portabilité. La norme UNICODE elle-même recommande contre wchar_t si vous avez besoin de portabilité. (§5.2)

la leçon de fin: Je trouve plus facile à stocker toutes mes données dans un format bien déclaré. (Typiquement utf-8, généralement dans STD :: String's, mais j'aimerais vraiment quelque chose de mieux.) La chose importante ici n'est pas la partie UTF-8, mais plutôt, je sais que mes cordes sont UTF-8. Si je les transmettes à une autre API, je dois aussi savoir que l'API attend des chaînes UTF-8. Si ce n'est pas le cas, je dois les convertir. (Ainsi, si je parle à l'API de la fenêtre, je dois convertir des chaînes en UTF-16.) Une chaîne de texte UTF-8 est une chaîne de texte "orange" et une chaîne de texte "latin1" est une "pomme". Un tableau char qui ne sait pas ce qui codant dans son encodage est une recette pour la catastrophe.