字符串類實現的差異

Question

爲什麼字符串類以幾種不同的方式實現以及有哪些優缺點？我已經看到它做了幾種不同的方式

1. 只使用一個簡單的char（最基本的方式）。
2. 通過模板化字符串（例如string<UTF8>）支持UTF8和UTF16。其中UTF8是char和UTF16是unsigned short。
3. 在字符串類中同時包含UTF8和UTF16。

是否有任何其他方法來實現可能更好的字符串類？

Answer 1

據我所知std::basic_string<wchar_t>其中sizeof(wchar_t) == 2不是UTF16編碼。 unicode中有超過2^16個字符，並且代碼至少達到0xFFFFF，這是>0xFFFF（2byte wchar_t容量）。因此，正確的UTF16應該使用每個字母的可變字節數（一個2字節wchar_t或其中兩個字節），這與std::basic_string以及假設one string element == one character的類似類不同。

據我所知有兩種方法可以處理unicode字符串。

1. 要麼使用足夠大的類型，以適應任何字符到一個字符串元素（例如，在Linux上這是很正常的，看sizeof(wchar_t) == 4），這樣你就可以享受「福利」（基本上，容易串長度計算，沒有別的）std::string類的類。
2. 或使用可變長度編碼（每個字符爲UTF8-1..4個字節或UTF16-2.4個字節），以及經過充分測試的字符串類，它提供字符串操作例程。

只要你不使用char你使用哪種方法並不重要。 char基於字符串的字符串可能會在具有不同8位代碼頁的計算機上造成麻煩，如果您不小心處理該問題（可以安全地認爲您會忘記它並且不會很小心 - Microsoft Applocale是由於某種原因而創建的）。

Unicode包含大量不可打印的字符（unicode中的控制和格式化字符），所以幾乎可以擊敗＃1可以提供的任何好處方法。無論如何，如果您決定使用方法＃1，您應該記住wchar_t不足以在某些編譯器/平臺（windows/microsoft編譯器）上適合所有可能的字符，並且因此std::basic_string<wchar_t>不是一個完美的解決方案。

---

呈現國際化的文本是痛苦，所以最好的辦法是隻抓住任何兼容Unicode字符串類（如QString）還有就是希望自帶的文字排版引擎（即能夠妥善處理控制字符和雙向文本），而是專注於更有趣的編程問題。

---

-Update-

如果無符號短不UTF16，又是什麼，unsigned int類型？什麼是UTF8呢？那是無符號的字符？

UTF16是可變長度字符編碼。 UTF16使用1個字符的2字節（即uint16_t,16位）元素。即UTF16字符串中元素的數量！= UTF16字符串中字符的數量。您不能通過計算元素來計算字符串長度。

UTF8是另一個可變長度編碼，基於1個字節元件（8位，1個字節或 「無符號字符」）。 UTF8中的一個Unicode字符（「代碼點」）需要1 .. uint8_t元素。再一次，字符串中的元素數量！=字符串中的字符數量。 UTF8的優點是ASCII中存在的字符在UTF8中每個字符只需1個字節，這節省了一些空間，而在UTF16中，字符總是至少需要2個字節。

UTF32是固定長度字符編碼，總是每個字符采用32位（4個字節或uint32_t）。目前，任何unicode字符都可以放入單個UTF32元素中，並且UTF32可能會長時間保持固定長度（我認爲地球上的所有語言都不會產生2^31個不同的字符）。它浪費更多的內存，但字符串中的元素數==字符串中的字符數。

另外，請記住，C++標準沒有指定「int」或「short」應該有多大。