問題タブ [codepoint]
For questions regarding programming in ECMAScript (JavaScript/JS) and its various dialects/implementations (excluding ActionScript). Note JavaScript is NOT the same as Java! Please include all relevant tags on your question; e.g., [node.js], [jquery], [json], [reactjs], [angular], [ember.js], [vue.js], [typescript], [svelte], etc.
c++ - C++ Unicode: バイト、コード ポイント、書記素
それで、私はスクリプト言語を構築しています。私の目標の 1 つは、便利な文字列操作です。C++でいくつかのアイデアを試しました。
- バイト シーケンスとしての文字列と、コード ポイント インデックスを含むベクトルを返すフリー関数。
- 文字列とインデックスを含むベクトルを結合するラッパー クラス。
どちらのアイデアにも問題があり、その問題は、何を返すべきかということでした。文字にすることはできません。文字列の場合は、スペースが無駄になります。
最終的に、正確に 4 バイトの char 配列のラッパー クラスを作成しました。これは、メモリ内に正確に 4 バイトの文字列で、多かれ少なかれありません。
このクラスを作成した後、別のクラスのクラスにラップして、std::vector
そこからビルドして、文字列型のコードポイントを作成したいという誘惑にかられました。これが良いアプローチかどうかはわかりませんが、最終的にははるかに便利になりますが、より多くのスペースを浪費することになります。
したがって、コードを投稿する前に、より整理されたアイデアのリストを次に示します。
- 私の文字タイプは、バイトでも書記素でもなく、コードポイントです。私はそれを Go 言語のルーンのような名前にしました。
- 一連の分解されたルーンとしての文字列。したがって、インデックス付けとスライス O1 が作成されます。
- ルーンはプリミティブではなくクラスになったため、Unicode の空白を検出するメソッドで拡張できます。
mysring[0].is_whitespace()
- 書記素の扱い方がまだわかりません。
興味深い事実!ルーン クラスのプロトタイプを作成する方法で奇妙な点は、常に UTF8 で出力されることです。私のルーンは int32 ではなく 4 バイトの文字列であるため、これにはいくつかの興味深いプロパティがあります。
私のコード:
エラー処理のアイデア:
C++ で例外を使用するのは好きではありません。私の考えは、コンストラクターが失敗した場合、ルーンを 4 として初期化し'\0'
、ブール演算子を明示的にオーバーロードして、実行の最初のバイトがたまたま'\0'
. シンプルで使いやすい。
それで、考え?意見?異なるアプローチ?
ルーン文字列が多すぎても、少なくともルーンタイプは持っています。小さくて高速にコピーできます。:)