UTF-16文字列(スパイダーモンキー19のJSStringから取得)をUTF-8文字列に変換しようとしています。変換された文字列は問題ないと思いますが、何らかの理由で、変換ルーチンはユニコード(非ASCII)文字ごとに2バイトを追加しています。私は何か間違ったことをしていると確信しています。別のエンコーディングを試しましたが、良い結果は得られませんでした。これは私が今得ているものです:
// UTF-16 string "áéíóúñ aeiou", this is the string being converted
// (you can find "aeiou" after \x20\x00, where \x61\x00 is "a")
\xC3\x00\xA1\x00\xC3\x00\xA9\x00\xC3\x00\xAD\x00\xC3\x00\xB3\x00\xC3\x00\xBA\x00\xC3\x00\xB1\x00\x20\x00\x61\x00\x65\x00\x69\x00\x6F\x00\x75\x00\x6E\x00
// UTF-8 string, test string, taken from:
// const char* cmp = "áéíóúñ aeiou"
// This is the result I'm looking for.
\xc3\xa1\xc3\xa9\xc3\xad\xc3\xb3\xc3\xba\xc3\xb1 aeiou
// UTF-8 string I'm getting after iconv(utf16, utf8)
\xc3\x83\xc2\xa1\xc3\x83\xc2\xa9\xc3\x83\xc2\xad\xc3\x83\xc2\xb3\xc3\x83\xc2\xba\xc3\x83\xc2\xb1 aeioun
ご覧のとおり、ASCII以外のすべての文字の間に2バイト(\ x83 \ xc2)余分にあります。誰もがそれがなぜなのか知っていますか?
これは私の変換ルーチンです:
shared_ptr<char> convertToUTF8(char* utf16string, size_t len) {
iconv_t cd = iconv_open("UTF-8", "UTF-16LE");
char* utf8;
size_t utf8len;
utf8len = len;
utf8 = (char *)calloc(utf8len, 1);
shared_ptr<char> outptr(utf8);
size_t converted = iconv(cd, &utf16string, &len, &utf8, &utf8len);
if (converted == (size_t)-1) {
fprintf(stderr, "iconv failed\n");
switch (errno) {
case EILSEQ:
fprintf(stderr, "Invalid multibyte sequence.\n");
break;
case EINVAL:
fprintf(stderr, "Incomplete multibyte sequence.\n");
break;
case E2BIG:
fprintf(stderr, "No more room (iconv).\n");
break;
default:
fprintf(stderr, "Error: %s.\n", strerror(errno));
break;
}
outptr = NULL;
}
iconv_close(cd);
assert(outptr);
return outptr;
}
この別の質問でも解決策を試しましたが、まったく同じ結果が得られました。iconvが2バイトを追加する理由はありますか?結果を手動で作成したutf-8文字列と一致させるにはどうすればよいですか?
編集:テスト文字列の説明を修正しました