C++遍历中文字符串的坑

2023-09-18 00:38:11

作为一个资深的C++程序员，相信大家对字符串的遍历再熟悉不过了。但是，当我们面对中文字符串时，却常常会遇到一些坑。今天，我们就来聊聊C++遍历中文字符串时需要注意的那些问题。

坑点 1：中文字符的编码

中文字符并不是一个字节，而是由两个或三个字节组成的。因此，在遍历中文字符串时，我们需要使用多字节字符集（MBCS）来处理。MBCS规定，中文字符的第一个字节最高位为1，表示这是一个多字节字符。后面的字节最高位为0，表示这是当前字符的后续字节。

在C++中，我们可以使用wchar_t类型来表示宽字符，即Unicode字符。wchar_t类型占两个字节，可以表示所有的Unicode字符，包括中文字符。

#include <iostream>
#include <string>

int main() {
  std::wstring str = L"你好，世界";
  for (auto& c : str) {
    std::cout << c << std::endl;
  }
  return 0;
}

这段代码遍历了中文字符串str，并打印出每一个字符。

坑点 2：字符串长度

在C++中，字符串的长度可以用strlen函数来获取。但是，strlen函数只适用于单字节字符集（SBCS），不适用于MBCS。对于MBCS，我们需要使用wcslen函数来获取字符串长度。

#include <iostream>
#include <string>

int main() {
  std::wstring str = L"你好，世界";
  std::cout << "字符串长度：" << wcslen(str) << std::endl;
  return 0;
}

这段代码输出字符串str的长度，为6。

坑点 3：字符串比较

在C++中，字符串比较可以用strcmp函数来实现。但是，strcmp函数也只适用于SBCS，不适用于MBCS。对于MBCS，我们需要使用wcscmp函数来比较字符串。

#include <iostream>
#include <string>

int main() {
  std::wstring str1 = L"你好";
  std::wstring str2 = L"你好";
  if (wcscmp(str1, str2) == 0) {
    std::cout << "两个字符串相等" << std::endl;
  }
  return 0;
}

这段代码比较了两个中文字符串，输出“两个字符串相等”。

坑点 4：字符串截取

在C++中，字符串截取可以用substr函数来实现。但是，substr函数也只适用于SBCS，不适用于MBCS。对于MBCS，我们需要使用wcsncat函数来截取字符串。

#include <iostream>
#include <string>

int main() {
  std::wstring str = L"你好，世界";
  std::wstring substr = str.substr(0, 3);
  std::cout << "截取的字符串：" << substr << std::endl;
  return 0;
}