正确利用 std::string 在 C 中进行 UTF-8 处理

对于在 macOS 上使用 C 中的 UTF-8 编码的个人， std::string 仍然是一个可行的选择。但是，处理 UTF-8 字符时解决有关功能的问题非常重要。

了解 UTF-8 编码

UTF-8 将 Unicode 代码点表示为一个或多个代码单位。这意味着，虽然单个代码单元可以表示完整的代码点，但它可能并不总是对应于字素簇（语义上完整的字符）。

UTF-8 字符的特定函数

std::string 中的某些函数可能会遇到 UTF-8 字符的挑战：

• str[i] 返回单个字节，这可能不代表一个字节完整的代码点。
• std::string::size() 报告字节数，而不是字符数（字素簇）。
• std::string::find_first_of() 和 std::regex 在搜索 UTF-8 字符或序列时可能无法按预期运行。

在 std::string 和 std::wstring

• 之间进行选择可移植性： 使用 std::u32string 而不是 std::wstring 以获得更好的可移植性。
• 代码点表示： std::u32string 确保完整代码点的表示。
• 性能： std::string 由于较小，可能会提供更好的性能内存占用。
• 接口注意事项： 如果应用程序接口需要 std::string，请坚持使用它以避免转换。

处理 UTF- 8 in std::string

在 std::string 中使用 UTF-8 通常是有效的。但是，请考虑以下事项：

• 操作： 大多数操作都可以正常工作，因为 UTF-8 是自同步且与 ASCII 兼容的。
• 查找代码点：显式查找代码点边界可能需要外部库。
• 正则表达式：基本搜索模式应该开箱即用；对字符类和重复器要小心。

总之，std::u32string 简化了 UTF-8 处理，但是如果仔细注意 std::string 在 UTF 中的特定行为，则可以有效地使用 std::string -8 个字符。