Come usare boost :: spirit per analizzare UTF-8?

#include <algorithm> 
#include <iostream> 
#include <string> 
#include <vector> 

#define BOOST_SPIRIT_UNICODE // We'll use unicode (UTF8) all throughout 

#include <boost/spirit/include/qi.hpp> 
#include <boost/spirit/include/qi_parse.hpp> 
#include <boost/spirit/include/support_standard_wide.hpp> 

void parse_simple_string() 
{ 
    namespace qi = boost::spirit::qi;  
    namespace encoding = boost::spirit::unicode; 
    //namespace stw = boost::spirit::standard_wide; 

    typedef std::wstring::const_iterator iterator_type; 

    std::vector<std::wstring> result; 
    std::wstring const input = LR"(12,3","ab,cd","G,G\"GG","kkk","10,\"0","99987","PPP","你好)"; 

    qi::rule<iterator_type, std::wstring()> key = +(qi::unicode::char_ - qi::lit(L"\",\"")); 
    qi::phrase_parse(input.begin(), input.end(), 
        key % qi::lit(L"\",\""), 
        encoding::space, 
        result); 

    //std::copy(result.rbegin(), result.rend(), std::ostream_iterator<std::wstring, wchar_t> (std::wcout, L"\n")); 
    for(auto const &data : result) std::wcout<<data<<std::endl; 
}

ho studiato questo post How to use Boost Spirit to parse Chinese(unicode utf-16)? e seguire le guide, ma non riescono a analizzare le parole "你好"Come usare boost :: spirit per analizzare UTF-8?

i risultati attesi dovrebbero essere

12,3 ab, cd G, G \ "GG kkk 10, \" 0 99.987 PPP 你好

ma i risultati effettivi sono 012.351.641,061 mila12,3 ab, cd G, G \ "GG kkk 10, \" 0 99.987 PPP

Impossibile analizzare le parole cinesi "你好"

OS è 64bits Win7, la mia editor salva le parole come UTF-8

fonte

2012-12-03 StereoMatching

Sono confuso. Stai ... usando UTF8? Perché allora il wstring? (UTF8 è una codifica singola/doppia/tripla sequenza di byte, a destra). Non mi sento qualificato per spiegare meglio, ma questa è una discrepanza nella mia percezione – sehe

1-4 byte. Ma sì, questo è un mismatch abbastanza lampante. Fino a quando non viene introdotto 'char8_t',' char' è il tipo di scelta UTF-8 per la maggior parte. – Puppy

Quello che tutti hanno detto. 'wstring' è sbagliato quando si usa UTF-8. Se vuoi letterali UTF-8 correttamente codificati, * specialmente * su Windows, il modo più sicuro è il C++ 11 letterali 'u8" blah "' (che non sono ancora in Visual Studio) o usa byte escape con il diritto codifica diretta, ovvero "\ xE4 \ xBD \ xA0 \ xE5 \ xA5 \ xBD" anziché "你好". –

Se si dispone di UTF-8 in ingresso, è possibile provare a utilizzare Unicode Iterators da Boost.Regex.

Per esempio, l'uso boost :: u8_to_u32_iterator:

Un bidirezionale adattatore iteratore che fa una sequenza di fondo di caratteri UTF8 sembrare una (sola lettura) sequenza di caratteri UTF-32.

live demo

#include <boost/regex/pending/unicode_iterator.hpp> 
#include <boost/spirit/include/qi.hpp> 
#include <boost/range.hpp> 
#include <iterator> 
#include <iostream> 
#include <ostream> 
#include <cstdint> 
#include <vector> 

int main() 
{ 
    using namespace boost; 
    using namespace spirit::qi; 
    using namespace std; 

    auto &&utf8_text=u8"你好，世界！"; 
    u8_to_u32_iterator<const char*> 
     tbegin(begin(utf8_text)), tend(end(utf8_text)); 

    vector<uint32_t> result; 
    parse(tbegin, tend, *standard_wide::char_, result); 
    for(auto &&code_point : result) 
     cout << "&#" << code_point << ";"; 
    cout << endl; 
}

uscita è:

&#20320;&#22909;&#65292;&#19990;&#30028;&#65281;&#0;

fonte

2013-04-04 19:53:32

+1 buon lavoro signore – sehe

Come usare boost :: spirit per analizzare UTF-8?

risposta

Problemi correlati