C++ - UTF-8 文字列から部分文字列を抽出！
Updated:
C++ で UTF-8 の文字列から部分文字列を抽出する方法についての記録です。
前回の「C++ - UTF-8 文字列の文字数をカウント！」の応用です。
（C++ にそれほど精通している訳でもありません。ご承知おきください）
0. 前提条件
- Linux Mint 17 での作業を想定。
- g++(c++) のバージョンは 4.8.2
1. UTF-8 について
UTF-8 について詳細に説明はしないが、UTF-8 の仕様では１バイト目の先頭からの連続するビット数(1 となっているビットの連続数）で１文字のバイト数が決まるということを理解しておく。
さらに、このことから以下のように定義されていることも理解しておく。（参照・ RFC 3629 ）
- １バイト目： 0x00 〜 0x7f → 1 バイト
- １バイト目： 0xc2 〜 0xdf → 2 バイト
- １バイト目： 0xe0 〜 0xef → 3 バイト
- １バイト目： 0xf0 〜 0xf7 → 4 バイト
- １バイト目： 0xf8 〜 0xfb → 5 バイト
- １バイト目： 0xfc 〜 0xfd → 6 バイト
2. C++ ソースコード作成
実際には、５、６バイトの文字は使用しないかも知れないが、実装しておいた。
また、当てはまらない文字があれば、それは０バイトで計算するようにしている。
File: SubStrUtf8.cpp
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
#include <iostream>
#include <string.h>
using namespace std;
/*
* [CLASS] Proc
*/
class Proc
{
int cntByte(unsigned char); // Count bytes
public:
char* subStr(const char*, int, int); // Get substring
};
/*
* Get substring
*/
char* Proc::subStr(const char *cStr, int iStart, int iLength)
{
static char cRes[1024];
char* pRes = cRes;
int i = 0, iPos = 0;
int iByte;
while (cStr[i] != '\0') {
iByte = cntByte(cStr[i]);
if (iStart <= iPos && iPos < iStart + iLength) {
memcpy(pRes, (cStr + i), iByte);
pRes += iByte;
}
i += iByte;
iPos++;
}
*pRes = '\0';
return cRes;
}
/*
* Count bytes
*/
int Proc::cntByte(unsigned char cChar)
{
int iByte;
if ((cChar >= 0x00) && (cChar <= 0x7f)) {
iByte = 1;
} else if ((cChar >= 0xc2) && (cChar <= 0xdf)) {
iByte = 2;
} else if ((cChar >= 0xe0) && (cChar <= 0xef)) {
iByte = 3;
} else if ((cChar >= 0xf0) && (cChar <= 0xf7)) {
iByte = 4;
} else if ((cChar >= 0xf8) && (cChar <= 0xfb)) {
iByte = 5;
} else if ((cChar >= 0xfc) && (cChar <= 0xfd)) {
iByte = 6;
} else {
iByte = 0;
}
return iByte;
}
/*
* Execution
*/
int main(){
const char* cStr = "ｺﾚﾊ 部分文字列取得の TEST です。";
char* cRes;
try {
Proc objMain;
cRes = objMain.subStr(cStr, 2, 13);
cout << "* " << cStr << "\n"
<< " => " << cRes << endl;
} catch (const char* e) {
cerr << "[EXCEPTION] " << e << endl;
return 1;
}
return 0;
}
3. コンパイル
作成した C++ ソースコードをコンパイルする。
# g++ -Wall -O2 -o SubStrUtf8 SubStrUtf8.cpp
何も出力されなければ成功。
4. 動作確認
以下のようにして実行してみる。
指定位置・長さの部分文字列が抽出されることを確認する。
* ｺﾚﾊ 部分文字列取得の TEST です。
=> ﾊ 部分文字列取得の TE
5. 参考サイト
C, C++ 等で文字列を多用する場合に役立ちそうな話題でした。
以上。
Comments