C++ ShiftJIS转换为UTF8

Question

我需要转换Doublebyte字符.在我的特殊情况下,Shift-Jis可以更好地处理,最好使用标准的C++.

以下问题最终没有解决方法: MSVC上的双字节编码(std :: codecvt):无法识别前导字节

那么有没有人建议或参考如何使用C++标准处理这种转换？

Answer 1

通常我会推荐使用ICU库，但仅就这一点而言，使用它的开销太大了。

首先是一个转换函数，它接受一个带有 Shiftjis 数据的 std::string，并返回一个带有 UTF8 的 std::string（注意 2019：不知道它是否有效:)）

它使用一个包含 25088 个元素（25088 字节）的 uint8_t 数组，在代码中用作 convTable。该函数不填充此变量，您必须从例如加载它。首先是一个文件。下面的第二个代码部分是一个可以生成文件的程序。

转换函数不检查输入是否为有效的 ShiftJIS 数据。

std::string sj2utf8(const std::string &input)
{
    std::string output(3 * input.length(), ' '); //ShiftJis won't give 4byte UTF8, so max. 3 byte per input char are needed
    size_t indexInput = 0, indexOutput = 0;

    while(indexInput < input.length())
    {
        char arraySection = ((uint8_t)input[indexInput]) >> 4;

        size_t arrayOffset;
        if(arraySection == 0x8) arrayOffset = 0x100; //these are two-byte shiftjis
        else if(arraySection == 0x9) arrayOffset = 0x1100;
        else if(arraySection == 0xE) arrayOffset = 0x2100;
        else arrayOffset = 0; //this is one byte shiftjis

        //determining real array offset
        if(arrayOffset)
        {
            arrayOffset += (((uint8_t)input[indexInput]) & 0xf) << 8;
            indexInput++;
            if(indexInput >= input.length()) break;
        }
        arrayOffset += (uint8_t)input[indexInput++];
        arrayOffset <<= 1;

        //unicode number is...
        uint16_t unicodeValue = (convTable[arrayOffset] << 8) | convTable[arrayOffset + 1];

        //converting to UTF8
        if(unicodeValue < 0x80)
        {
            output[indexOutput++] = unicodeValue;
        }
        else if(unicodeValue < 0x800)
        {
            output[indexOutput++] = 0xC0 | (unicodeValue >> 6);
            output[indexOutput++] = 0x80 | (unicodeValue & 0x3f);
        }
        else
        {
            output[indexOutput++] = 0xE0 | (unicodeValue >> 12);
            output[indexOutput++] = 0x80 | ((unicodeValue & 0xfff) >> 6);
            output[indexOutput++] = 0x80 | (unicodeValue & 0x3f);
        }
    }

    output.resize(indexOutput); //remove the unnecessary bytes
    return output;
}

关于帮助文件：我曾经在这里下载过，但现在我只知道不可靠的文件托管商。所以......要么http://s000.tinyupload.com/index.php?file_id=95737652978017682303适合你，或者：

首先从ftp://ftp.unicode.org/Public/MAPPINGS/OBSOLETE/EASTASIA/JIS/SHIFTJIS.TXT下载“原始”数据。由于篇幅原因，我无法将其粘贴到此处，因此我们必须希望至少 unicode.org 保持在线状态。

然后在管道/重定向上面的文本文件时使用这个程序，并将二进制输出重定向到一个新文件。（需要一个二进制安全的外壳，不知道它是否适用于 Windows）。

#include<iostream>
#include<string>
#include<cstdio>

using namespace std;

// pipe SHIFTJIS.txt in and pipe to (binary) file out
int main()
{
    string s;
    uint8_t *mapping; //same bigendian array as in converting function
    mapping = new uint8_t[2*(256 + 3*256*16)];

    //initializing with space for invalid value, and then ASCII control chars
    for(size_t i = 32; i < 256 + 3*256*16; i++)
    {
        mapping[2 * i] = 0;
        mapping[2 * i + 1] = 0x20;
    }
    for(size_t i = 0; i < 32; i++)
    {
        mapping[2 * i] = 0;
        mapping[2 * i + 1] = i;
    }

    while(getline(cin, s)) //pipe the file SHIFTJIS to stdin
    {
        if(s.substr(0, 2) != "0x") continue; //comment lines

        uint16_t shiftJisValue, unicodeValue;
        if(2 != sscanf(s.c_str(), "%hx %hx", &shiftJisValue, &unicodeValue)) //getting hex values
        {
            puts("Error hex reading");
            continue;
        }

        size_t offset; //array offset
        if((shiftJisValue >> 8) == 0) offset = 0;
        else if((shiftJisValue >> 12) == 0x8) offset = 256;
        else if((shiftJisValue >> 12) == 0x9) offset = 256 + 16*256;
        else if((shiftJisValue >> 12) == 0xE) offset = 256 + 2*16*256;
        else
        {
            puts("Error input values");
            continue;
        }

        offset = 2 * (offset + (shiftJisValue & 0xfff));
        if(mapping[offset] != 0 || mapping[offset + 1] != 0x20)
        {
            puts("Error mapping not 1:1");
            continue;
        }

        mapping[offset] = unicodeValue >> 8;
        mapping[offset + 1] = unicodeValue & 0xff;
    }

    fwrite(mapping, 1, 2*(256 + 3*256*16), stdout);
    delete[] mapping;
    return 0;
}

注意：
两字节大端原始 unicode 值（此处不需要超过两个
字节） 单字节 ShiftJIS 字符的前 256 个字符（512 字节），无效字符的值为 0x20。
然后 3 * 256 * 16 个字符用于组 0x8???, 0x9??? 和0xE？？？
= 25088 字节