将UTF-8字符转换为大/小写C++

Question

我有一个包含UTF-8字符的字符串，并且我有一个方法，可以将每个字符转换为大写或小写。对于与ASCII重叠的字符，这很容易实现，显然有些字符无法转换，例如任何中文字符。但是，是否有一种好的方法来检测和转换其他可大写/小写的字符，例如所有希腊字符？还请注意，我需要在Windows和Linux上都能够执行此操作。

谢谢！

- NSA

---

在这里，准确使用术语是非常重要的，以便获得有用的答案。UTF-8是RFC 3629（以及其他地方）中指定的字符编码；它包含了用于映射Unicode字符和表示这些字符的八位字节序列之间的算法，以便在不同系统之间进行移植。请精确使用类型；更好的做法是展示包括声明和类型的代码。 - President James K. Polk

Greg，很抱歉你的评论对我来说毫无意义，因为我还没有任何代码，我正在尝试弄清楚如何做某事，而不是尝试调试不正确的东西，所以这对我来说毫无意义，此外我知道UTF-8是一种编码，但这并不会改变我想要实现的目标，也就是开发一种方法，使得可以从“a”->“A”或者从“Ω”->“ω”。 - NSA

目的是什么？您打算用它来比较这些处理过的字符串吗？我假设您确实想要将其用于此类比较。您是否意识到，这将无法处理在德语中“ß”和“ss”等价的情况？ - wilx

Answer 1

请查看ICU。

请注意，大小写转换函数是与语言环境有关的。以土耳其（ASCII）字母I为例，它被转换成“没有点的小写i”，而（ASCII）字母i则被转换成“带点的大写I”。

- Alexandre C.

---

谢谢你的提示Alexandre，但是我的应用程序无法链接任何第三方库。因此，我需要想办法在不使用该库的情况下完成这个任务。 - NSA

我建议您编写自己的大小写映射实用程序，可以查看http://www.unicode.org/faq/casemap_charprop.html。从那里，您可以下载所有特殊案例映射。 - tidwall

C++并没有任何Unicode支持，ICU是最佳选择。 - Alexandre C.

@NSA：为什么你不能链接到另一个库？ - wilx

@NSA 你可以在静态情况下链接 ICU。你可以重新实现它，但为什么呢？也许你可以更详细地解释一下你的排除。 - Steven R. Loomis

Answer 2

假设你可以访问wctype.h，那么将文本转换为2字节unicode字符串并使用towupper()函数进行转换，然后再将其转换回UTF-8编码。

- tidwall

---

请使用ICU，如Alexandre所提到的。 - tidwall

@Alexandre C.：无论这样的字符是否能正确转换取决于当前的语言环境。 - caf

@Alexandre C：甚至更强烈的是，正确性取决于语言环境。你对正确的看法并不被全世界所共享；最著名的例子就是土耳其字母i。 - MSalters

@caf，@MSalters：在德语eszett的情况下，大写字母B是SS（即两个字符，显然不被towupper处理），而对于希腊大写sigma，则有两种不同的选择，取决于它是否在单词的末尾（因此不被towlower处理）。再次，ICU解决了这些问题。 - Alexandre C.

@DevSolar 在这些评论中不发表冗长的抱怨，基本上归结为UTF-16不是固定宽度编码。（因为UCS-2最初是这样的，后来必须在不破坏兼容性的情况下进行扩展。）因此，在某些支持的语言环境中有多字节字符和字符无法适应Windows上的单个宽字符，这是标准理论上要求的。towupeer()函数及其类似的功能就是其中之一。 - Davislor

Answer 3

在Linux上，或者使用支持它的标准库，您可以获取适当区域设置的std::locale对象，因为大写转换是与区域设置相关的。将每个UTF-8字符转换为wchar_t，然后调用std::toupper()，然后再转换回UTF-8。请注意，结果字符串可能会更长或更短，并且某些连字可能无法正常工作：ß到德语中的Ss就是每个人都提到的例子。

在Windows上，这种方法的效果甚至更差，因为宽字符是UTF-16而不是固定宽度编码（这违反了C++语言标准，但也许标准委员会不应该试图欺骗微软打破Windows API）。CLR中有一个ToUpper方法。

使用可移植库（如ICU）可能更容易。

还要确保您想要的是大写（将每个字母都大写）还是标题大小写（将字符串的第一个字母或连字的第一部分大写）。

- Davislor