diff options
Diffstat (limited to 'src/s3select/rapidjson/doc/encoding.zh-cn.md')
-rw-r--r-- | src/s3select/rapidjson/doc/encoding.zh-cn.md | 152 |
1 files changed, 152 insertions, 0 deletions
diff --git a/src/s3select/rapidjson/doc/encoding.zh-cn.md b/src/s3select/rapidjson/doc/encoding.zh-cn.md new file mode 100644 index 000000000..808ba525f --- /dev/null +++ b/src/s3select/rapidjson/doc/encoding.zh-cn.md @@ -0,0 +1,152 @@ +# 编码 + +根据 [ECMA-404](http://www.ecma-international.org/publications/files/ECMA-ST/ECMA-404.pdf): + +> (in Introduction) JSON text is a sequence of Unicode code points. +> +> 翻译:JSON 文本是 Unicode 码点的序列。 + +较早的 [RFC4627](http://www.ietf.org/rfc/rfc4627.txt) 申明: + +> (in §3) JSON text SHALL be encoded in Unicode. The default encoding is UTF-8. +> +> 翻译:JSON 文本应该以 Unicode 编码。缺省的编码为 UTF-8。 + +> (in §6) JSON may be represented using UTF-8, UTF-16, or UTF-32. When JSON is written in UTF-8, JSON is 8bit compatible. When JSON is written in UTF-16 or UTF-32, the binary content-transfer-encoding must be used. +> +> 翻译:JSON 可使用 UTF-8、UTF-16 或 UTF-32 表示。当 JSON 以 UTF-8 写入,该 JSON 是 8 位兼容的。当 JSON 以 UTF-16 或 UTF-32 写入,就必须使用二进制的内容传送编码。 + +RapidJSON 支持多种编码。它也能检查 JSON 的编码,以及在不同编码中进行转码。所有这些功能都是在内部实现,无需使用外部的程序库(如 [ICU](http://site.icu-project.org/))。 + +[TOC] + +# Unicode {#Unicode} +根据 [Unicode 的官方网站](http://www.unicode.org/standard/translations/t-chinese.html): +>Unicode 给每个字符提供了一个唯一的数字, +不论是什么平台、 +不论是什么程序、 +不论是什么语言。 + +这些唯一数字称为码点(code point),其范围介乎 `0x0` 至 `0x10FFFF` 之间。 + +## Unicode 转换格式 {#UTF} + +存储 Unicode 码点有多种编码方式。这些称为 Unicode 转换格式(Unicode Transformation Format, UTF)。RapidJSON 支持最常用的 UTF,包括: + +* UTF-8:8 位可变长度编码。它把一个码点映射至 1 至 4 个字节。 +* UTF-16:16 位可变长度编码。它把一个码点映射至 1 至 2 个 16 位编码单元(即 2 至 4 个字节)。 +* UTF-32:32 位固定长度编码。它直接把码点映射至单个 32 位编码单元(即 4 字节)。 + +对于 UTF-16 及 UTF-32 来说,字节序(endianness)是有影响的。在内存中,它们通常都是以该计算机的字节序来存储。然而,当要储存在文件中或在网上传输,我们需要指明字节序列的字节序,是小端(little endian, LE)还是大端(big-endian, BE)。 + +RapidJSON 通过 `rapidjson/encodings.h` 中的 struct 去提供各种编码: + +~~~~~~~~~~cpp +namespace rapidjson { + +template<typename CharType = char> +struct UTF8; + +template<typename CharType = wchar_t> +struct UTF16; + +template<typename CharType = wchar_t> +struct UTF16LE; + +template<typename CharType = wchar_t> +struct UTF16BE; + +template<typename CharType = unsigned> +struct UTF32; + +template<typename CharType = unsigned> +struct UTF32LE; + +template<typename CharType = unsigned> +struct UTF32BE; + +} // namespace rapidjson +~~~~~~~~~~ + +对于在内存中的文本,我们正常会使用 `UTF8`、`UTF16` 或 `UTF32`。对于处理经过 I/O 的文本,我们可使用 `UTF8`、`UTF16LE`、`UTF16BE`、`UTF32LE` 或 `UTF32BE`。 + +当使用 DOM 风格的 API,`GenericValue<Encoding>` 及 `GenericDocument<Encoding>` 里的 `Encoding` 模板参数是用于指明内存中存储的 JSON 字符串使用哪种编码。因此通常我们会在此参数中使用 `UTF8`、`UTF16` 或 `UTF32`。如何选择,视乎应用软件所使用的操作系统及其他程序库。例如,Windows API 使用 UTF-16 表示 Unicode 字符,而多数的 Linux 发行版本及应用软件则更喜欢 UTF-8。 + +使用 UTF-16 的 DOM 声明例子: + +~~~~~~~~~~cpp +typedef GenericDocument<UTF16<> > WDocument; +typedef GenericValue<UTF16<> > WValue; +~~~~~~~~~~ + +可以在 [DOM's Encoding](doc/stream.zh-cn.md) 一节看到更详细的使用例子。 + +## 字符类型 {#CharacterType} + +从之前的声明中可以看到,每个编码都有一个 `CharType` 模板参数。这可能比较容易混淆,实际上,每个 `CharType` 存储一个编码单元,而不是一个字符(码点)。如之前所谈及,在 UTF-8 中一个码点可能会编码成 1 至 4 个编码单元。 + +对于 `UTF16(LE|BE)` 及 `UTF32(LE|BE)` 来说,`CharType` 必须分别是一个至少 2 及 4 字节的整数类型。 + +注意 C++11 新添了 `char16_t` 及 `char32_t` 类型,也可分别用于 `UTF16` 及 `UTF32`。 + +## AutoUTF {#AutoUTF} + +上述所介绍的编码都是在编译期静态挷定的。换句话说,使用者必须知道内存或流之中使用了哪种编码。然而,有时候我们可能需要读写不同编码的文件,而且这些编码需要在运行时才能决定。 + +`AutoUTF` 是为此而设计的编码。它根据输入或输出流来选择使用哪种编码。目前它应该与 `EncodedInputStream` 及 `EncodedOutputStream` 结合使用。 + +## ASCII {#ASCII} + +虽然 JSON 标准并未提及 [ASCII](http://en.wikipedia.org/wiki/ASCII),有时候我们希望写入 7 位的 ASCII JSON,以供未能处理 UTF-8 的应用程序使用。由于任 JSON 都可以把 Unicode 字符表示为 `\uXXXX` 转义序列,JSON 总是可用 ASCII 来编码。 + +以下的例子把 UTF-8 的 DOM 写成 ASCII 的 JSON: + +~~~~~~~~~~cpp +using namespace rapidjson; +Document d; // UTF8<> +// ... +StringBuffer buffer; +Writer<StringBuffer, Document::EncodingType, ASCII<> > writer(buffer); +d.Accept(writer); +std::cout << buffer.GetString(); +~~~~~~~~~~ + +ASCII 可用于输入流。当输入流包含大于 127 的字节,就会导致 `kParseErrorStringInvalidEncoding` 错误。 + +ASCII * 不能 * 用于内存(`Document` 的编码,或 `Reader` 的目标编码),因为它不能表示 Unicode 码点。 + +# 校验及转码 {#ValidationTranscoding} + +当 RapidJSON 解析一个 JSON 时,它能校验输入 JSON,判断它是否所标明编码的合法序列。要开启此选项,请把 `kParseValidateEncodingFlag` 加入 `parseFlags` 模板参数。 + +若输入编码和输出编码并不相同,`Reader` 及 `Writer` 会算把文本转码。在这种情况下,并不需要 `kParseValidateEncodingFlag`,因为它必须解码输入序列。若序列不能被解码,它必然是不合法的。 + +## 转码器 {#Transcoder} + +虽然 RapidJSON 的编码功能是为 JSON 解析/生成而设计,使用者也可以“滥用”它们来为非 JSON 字符串转码。 + +以下的例子把 UTF-8 字符串转码成 UTF-16: + +~~~~~~~~~~cpp +#include "rapidjson/encodings.h" + +using namespace rapidjson; + +const char* s = "..."; // UTF-8 string +StringStream source(s); +GenericStringBuffer<UTF16<> > target; + +bool hasError = false; +while (source.Peek() != '\0') + if (!Transcoder<UTF8<>, UTF16<> >::Transcode(source, target)) { + hasError = true; + break; + } + +if (!hasError) { + const wchar_t* t = target.GetString(); + // ... +} +~~~~~~~~~~ + +你也可以用 `AutoUTF` 及对应的流来在运行时设置内源/目的之编码。 |