在std::string中计算实际字符数量（不是字符数）？

Question

我可以统计一个std::string包含的'字符数量'而不是字节数吗？例如，std :: string :: size和std :: string :: length返回字节数（字符数）：

std::string m_string1 {"a"};
// This is 1
m_string1.size();

std::string m_string2 {"їa"};
// This is 3 because of Unicode
m_string2.size();

有没有一种方法可以获取字符数？例如，获得 m_string2 有2个字符。

- jcjuarez

---

不幸的是，这是 C++ 库中一个缺陷和/或使用起来很麻烦的部分。需要使用 std::locale 将字符串转换为 std::wstring，然后再次尝试。 - Sam Varshavchik

@SamVarshavchik：wstring也无济于事，因为“字符”的含义取决于你的意思。多个代码点可以形成一个“字符”。 - Nicol Bolas

你需要一个解析器，它可以解析实际编码（可能是UTF-8），并给出代码点。 - Some programmer dude

如果Unicode字符包括组合标记，那么它可能成立。因此，“roll the dice”就是我打保票的方式。 - Sam Varshavchik

可能是重复问题 https://stackoverflow.com/questions/43302279/any-good-solutions-for-c-string-code-point-and-code-unit/43302460#43302460 - Galik

Answer 1

通常情况下，无法使用C++标准库中的任何内容计算Unicode字符串中的“字符”数量。首先，您所说的“字符”是什么并不清楚，最接近的方法是通过使用UTF-32文字和std::u32string来计算代码点数。然而，即使对于їa，这也不会匹配您想要的结果。

例如，ї可能是一个单一的代码点。

ї CYRILLIC SMALL LETTER YI' (U+0457)

或两个连续的代码点

і CYRILLIC SMALL LETTER BYELORUSSIAN-UKRAINIAN I (U+0456)
◌̈ COMBINING DIAERESIS (U+0308)

如果您不知道字符串是否已规范化，则无法使用标准库区分两者，也无法强制进行规范化。即使对于UTF-32字符串文字，选择哪个也取决于实现。当计算代码点时，对于字符串їa，您将得到2或3。

甚至还有您在问题中提到的编码问题。每个代码点本身可能会根据所选的编码被编码为多个代码单元，而.size()正在计算代码单元，而不是代码点。对于std::u32string，这两个至少会重合，即使如上所示，它对您没有帮助。

如果要正确执行此操作，则需要使用ICU等Unicode库。

- user17732522