NSString 与 UTF32 之间的转换

Question

我正在使用一个包含 UTF32 字符的十六进制代码的数据库。我想将这些字符存储在 NSString 中。我需要有以两种方式进行转换的例程。

要将 NSString 的第一个字符转换为 unicode 值，此例程似乎可以工作：

const unsigned char *cs = (const unsigned char *)
    [s cStringUsingEncoding:NSUTF32StringEncoding];
uint32_t code = 0;
for ( int i = 3 ; i >= 0 ; i-- ) {
    code <<= 8;
    code += cs[i];
}
return code;

但是，我无法执行相反的操作（即采用单个代码并将其转换为 NSString）。我想我可以做与上面相反的事情，只需创建一个包含 UTF32 字符且字节顺序正确的 c 字符串，然后使用正确的编码从中创建一个 NSString 。

但是，从 cstrings 转换为 / 从 cstrings 转换对我来说似乎是不可逆的。

例如，我尝试过这段代码，“tmp”字符串不等于原始字符串“s”。

char *cs = [s cStringUsingEncoding:NSUTF32StringEncoding];
NSString *tmp = [NSString stringWithCString:cs encoding:NSUTF32StringEncoding];

我做错了什么？我应该使用“wchar_t”作为 cstring 而不是 char * 吗？

Answer 1

您有几个合理的选择。

1. 转换

首先是将 UTF32 转换为 UTF16 并与 NSString 一起使用，因为 UTF16 是 NSString 的“本机”编码。实际上并不是那么难。如果UTF32字符在BMP中（例如高两个字节为0），则可以直接将其转换为unichar。如果它在任何其他平面中，您可以将其转换为 UTF16 字符的代理对。您可以在维基百科页面上找到这些规则。但是快速（未经测试的）转换看起来像

UTF32Char inputChar = // my UTF-32 character
inputChar -= 0x10000;
unichar highSurrogate = inputChar >> 10; // leave the top 10 bits
highSurrogate += 0xD800;
unichar lowSurrogate = inputChar & 0x3FF; // leave the low 10 bits
lowSurrogate += 0xDC00;

现在你可以同时使用两个字符创建一个 NSString：

NSString *str = [NSString stringWithCharacters:(unichar[]){highSurrogate, lowSurrogate} length:2];

要向后，你可以使用 [NSString getCharacters:range:] 来获取 unichar 的背面然后反转代理对算法以恢复 UTF32 字符（任何不在 0xD800-0xDFFF 范围内的字符都应该转换为 UTF32 直接地）。

2. 字节缓冲区

您的另一个选择是让 NSString 直接进行转换，而不使用 cStrings。要将 UTF32 值转换为 NSString，您可以使用如下所示的内容：

UTF32Char inputChar = // input UTF32 value
inputChar = NSSwapHostIntToLittle(inputChar); // swap to little-endian if necessary
NSString *str = [[[NSString alloc] initWithBytes:&inputChar length:4 encoding:NSUTF32LittleEndianStringEncoding] autorelease];

要再次将其返回，您可以使用

UTF32Char outputChar;
if ([str getBytes:&outputChar maxLength:4 usedLength:NULL encoding:NSUTF32LittleEndianStringEncoding options:0 range:NSMakeRange(0, 1) remainingRange:NULL]) {
    outputChar = NSSwapLittleIntToHost(outputChar); // swap back to host endian
    // outputChar now has the first UTF32 character
}

Answer 2

这里有两个问题：

1：

第一个是 [NSString cStringUsingEncoding:] 和 [NSString getCString:maxLength:encoding:] 都返回原生的 C 字符串-endianness（小）使用 NSUTF32StringEncoding 和 NSUTF16StringEncoding 时不添加 BOM。

Unicode 标准规定：（请参阅“我应该如何处理 BOM”）

“如果没有 BOM，文本应被解释为 big-endian。”

这也在 NSString 的文档：（请参阅“解释 UTF-16 编码数据”）

“...如果未另外指定字节顺序，NSString 假定 UTF-16字符都是大端字节序，除非有 BOM（字节顺序标记），在这种情况下，BOM 决定字节顺序。”

尽管它们指的是 UTF-16，但这同样适用于UTF-32。

2：

第二个是 [NSString stringWithCString:encoding:] 内部使用 CFStringCreateWithCString 创建 C 字符串。问题是 CFStringCreateWithCString 仅接受使用8 位编码的字符串。来自文档：（请参阅“参数”部分）

字符串必须使用 8 位编码。

要解决此问题：

1. 明确声明您要使用两种方式的编码字节顺序 (NSString -> C-string 和 C-string -> NSString)
2. 尝试从 C- 创建 NSString 时使用 [NSString initWithBytes:length:encoding:]以 UTF-32 或 UTF-16 编码的字符串。