最近在建词典，使用Trie字典树，需要把字符串分解成单个字。由于传入的字符串中可能包含中文或者英文，它们的字节数并不相同。一开始天真地认为中文就是两个字节，于是很happy地直接判断当前位置的字符的ASCII码是否处于0~127之间，如果是就提取一个字符，否则提取两个。在测试分字效果的时候，这种方法出了问题。比如我传一个“abcde一二三四五”进去，abcde可以正常分解成 a b c d e，而后面的“一二三四五”则成了乱码。
于是我开启了谷歌之旅，搜索“如何在C++中将string中的中文分解成单个字”云云，搜索到的方法大多与我之前的方法雷同，把代码copy下来直接运行也是会出现乱码。我突然想到，linux下可能会出现中文乱码的原因之一就是编码问题，于是我打开了vim的配置文件，发现我确实是把中文设置成了utf-8。
发现了这点之后，我专门搜索了utf-8，得知它是一种变长编码，具体规则如下：
1）对于单字节的符号，字节的第一位设为0，后面7位为这个符号的unicode码。因此对于英语字母，UTF-8编码和ASCII码是相同的。
2）对于n字节的符号（n>1），第一个字节的前n位都设为1，第n+1位设为0，后面字节的前两位一律设为10。剩下的没有提及的二进制位，全部为这个符号的unicode码。
如表：
| 1字节 | 0xxxxxxx |
| 2字节 | 110xxxxx 10xxxxxx |
| 3字节 | 1110xxxx 10xxxxxx 10xxxxxx |
| 4字节 | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx |
| 5字节 | 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx |
| 6字节 | 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx |
有了这个，思路就清晰了：首先，我要判断之后一个字是几个字节的，然后截取相应的字节数。于是有了如下代码：
1 void Dictionary::splitWord(const string & word, vector<string> & characters) 2 { 3 int num = word.size(); 4 int i = 0; 5 while(i < num) 6 { 7 int size; 8 if(word[i] & 0x80) 9 { 10 if(word[i] & 0x20) 11 { 12 if(word[i] & 0x10) 13 { 14 if(word[i] & 0x08) 15 { 16 if(word[i] & 0x04) 17 { 18 size = 6; 19 }else{ 20 size = 5; 21 } 22 }else{ 23 size = 4; 24 } 25 }else{ 26 size = 3; 27 } 28 }else{ 29 size = 2; 30 } 31 }else{ 32 size = 1; 33 } 34 string subWord; 35 subWord = word.substr(i, size); 36 characters.push_back(subWord); 37 i += size; 38 } 39 }
if之中嵌套if，虽然过程很清晰，但是代码行数也太多了，于是对其进行修改，得到如下代码：
1 void Dictionary::splitWord(const string & word, vector<string> & characters) 2 { 3 int num = word.size(); 4 int i = 0; 5 while(i < num) 6 { 7 int size = 1; 8 if(word[i] & 0x80) 9 { 10 char temp = word[i]; 11 temp <<= 1; 12 do{ 13 temp <<= 1; 14 ++size; 15 }while(temp & 0x80); 16 } 17 string subWord; 18 subWord = word.substr(i, size); 19 characters.push_back(subWord); 20 i += size; 21 } 22 }
少了一半左右。
分解出来的结果是存在vector容器中的，这个可以根据具体需要进行更改。
最后发现，中文在utf-8编码中是三个字节的
其实，只需要手动打印出对应string的size，就可以计算出每个字占多少字节了，当时怎么没发现呢？