No tengo idea de porqué pasa esto. Siempre que procese los caracteres de un string
, y este string
tenga vocales con tilde o ñ
los transforma y no muestra adecuadamente.
-
Puede que esta respuesta (inglés) te ayude.– NaClCommented el 17 mar. 2017 a las 13:37
-
@NaCl gracias por comentar... Pero el konsole lo tengo configurado a UTF-8 y los pasos que describe son incompatibles con Kubuntu 14.04– Emanuel GaulerCommented el 17 mar. 2017 a las 17:15
4 respuestas
Esto se debe a la configuración regional conque se esta ejecutando tu programa; un ejemplo para localizar sería:
#include <iostream>
using namespace std;
setlocale(LC_ALL, "es_ES");
int main()
{
cout << "áéíóú\n";
return 0;
}
Puedes ver mas información de esto en:
-
Gracias por responde. Pero de esa manera muestra correctamente. El problema viene cuando proceso por caracteres... Commented el 17 mar. 2017 a las 16:43
-
usé el std::locale de gnu++11, luego
cout.imbue( locale( "" );
igual me muestra incorrectamente los caracteres... Commented el 17 mar. 2017 a las 17:18 -
Para los que vean esta respuesta, en lugar de
setlocale(LC_ALL, "es_ES")
, debería sersetlocale(LC_ALL, "spanish")
.– XamCommented el 17 feb. 2018 a las 6:05
Para que se entienda rápido:
std::string( "ab" ).size( ); => 2;
std::string( "ññ" ).size( ); => 4;
No puedes mostrar caracteres UTF-8 como si fueran bytes ascii.
La única solución que tienes es comprobar, 1 a 1, que los caracteres sean válidos en ASCII (7 bits). Si algún caracter no cumple esa regla, tendrías que mostrar mas de 1 byte.
Todos los caracteres UTF-8 tienen el bit 8 puesto a 1, con lo que la comprobación es simple:
if( character & 128 ) {
Si te encuentras con algún caracter que cumpla lo anterior, estás ante UTF-8.
Ante caracteres de este tipo, tienes que usar alguna librería para extraerlo y convertirlo en una cadena, para mostrar esta última.
Piensa que puedes encontrarte mas de un UTF-8 seguido, con lo que no puedes tomar la vía fácil de añadir caracteres a una cadena auxiliar mientras que la comprobación se cumpla. También puedes encontrarte con secuencias UTF-8 inválidas.
Creo que Windows provee funciones para estas cosas. En Linux, puedes usar ICU
EDITO
Nunca tuve la necesidad de extraer caracteres individuales de una ::std::string
... hasta leer esta pregunta ;-)
Después de alguna que otra molestia inesperada, hice esta template< >
que permite iterar sobre los caracteres individuales de cadenas UTF-8, tanto si están en un const char *VAR="..."
, como si están en una ::std::string( "..." )
. No es lo mas cachi piruli del mundo, pero ilustra el proceso de comprobar si un carácter es o no UTF-8, y como tratarlos dependiendo de la anchura del mismo. No tiene en cuenta posibles errores en la codificación UTF-8, es solamente a título formativo:
// utf8iterator.hpp
#ifndef UTF8ITERATOR_HPP
#define UTF8ITERATOR_HPP
#include <cstddef>
template< typename T > struct utf8iterator {
T ptr;
::size_t size;
char bytes[5];
utf8iterator( const T &p ) :
ptr( p ),
size( 0 )
{
bytes[4] = 0;
}
utf8iterator &operator=( const T &iter ) {
ptr = iter;
size = 0;
return *this;
}
bool operator==( const utf8iterator< T > &other ) const noexcept { return ptr == other.ptr; }
bool operator!=( const utf8iterator< T > &other ) const noexcept { return ptr != other.ptr; }
::size_t calculateSize( ) const {
if( ( *ptr & 248 ) == 240 ) {
return 4;
} else if( ( *ptr & 240 ) == 224 ) {
return 3;
} else if( ( *ptr & 224 ) == 192 )
return 2;
return 1;
}
utf8iterator &operator++( ) {
if( size ) {
ptr += size;
size = 0;
} else
ptr += calculateSize( );
return *this;
}
utf8iterator operator++( int ) {
utf8iterator tmp( *this );
if( size ) {
ptr += size;
size = 0;
} else
ptr += calculateSize( );
return tmp;
}
void update( ) {
::size_t c;
T iter( ptr );
size = calculateSize( );
for( c = 0; c != size; ++c ) {
bytes[c] = *iter;
++iter;
}
if( size != 4 )
bytes[size] = 0;
}
operator const char *( ) {
if( !size )
update( );
return bytes;
}
};
#endif
Un pequeño programa de prueba/ejemplo, que muestra su uso:
// main.cpp
#include <iostream>
#include <string>
#include "utf8iterator.hpp"
int main( void ) {
const char *test = "abcdeññ";
std::string str( test );
utf8iterator< const char * > charIter( test );
utf8iterator< std::string::iterator > strIter( str.begin( ) );
while( *charIter ) {
std::cout << charIter << ": ";
std::cout << charIter.size << "\n";
++charIter;
}
while( strIter != str.end( ) ) {
std::cout << strIter << ": ";
std::cout << strIter.size << "\n";
++strIter;
}
std::cout << std::endl;
return 0;
}
Tras compilarlo con g++ -I . -std=c++11 -Wall -pedantic main.cpp
, muestra el siguiente resultado:
a: 1
b: 1
c: 1
d: 1
e: 1
ñ: 2
ñ: 2
a: 1
b: 1
c: 1
d: 1
e: 1
ñ: 2
ñ: 2
Muestra adecuadamente los caracteres individuales, tanto en char *
como en std::string
, ocupen los bytes que ocupen.
-
Gracias @Trauma por explicarme. Es lo que veía cuando pasaba un carácter a cout, siempre mostraba dos íconos con signo de interrogación. Me parece raro que std++11 no pueda manejar esta situación. Siendo que también está el std::locale. Y el locale de mi sistema es "es_AR.UTF-8" Commented el 17 mar. 2017 a las 22:16
-
Está bueno el código fuente de tu utf8iterator @Trauma podrías agregar cómo respuesta a esta pregunta es.stackoverflow.com/q/55302/32772 Commented el 23 mar. 2017 a las 12:33
no se si usted soluciono este tema pero como veo comentarios de este tipo:
usé el std::locale de gnu++11, luego cout.imbue( locale( "" ); igual me muestra incorrectamente los caracteres...
Puede hacer uso de lo siguiente para mostrarlo como desea:
#include <iostream>
#include <locale>
#include <string>
using namespace std;
int main() {
// your code goes here
ios_base::sync_with_stdio(false);
wcout.imbue(locale("en_US.UTF-8"));
for (auto const&t : wstring (L"áéíóú")){
wcout << t;
}
return 0;
}
Info:
wstring (L"áéíóú")
wcout << t;
ios_base::sync_with_stdio(false);
-
Gracias @AngelAngel por compartir esta solución... Probé tu solución y con el locale de mi sistema, "es_AR.UTF-8", también funcionó. Sin el locale no muestra los las vocales acentuadas. Gracias, por el momento esta solución me sirve. Commented el 18 mar. 2017 a las 17:42
Puedes iterar sobre los "bytes" de una cadena en que esta en UTF-8 y sacar esos bytes por otro lado.
Lo que no puedes hacer nunca es "intercalar" caracteres/bytes (en este caso fin de linea: el "endl") entre esos bytes que estas iterando, ya que hay caracteres que son formados por dos bytes (la ñ, la á, etc) y no son "separables".
Para entender mejor lo que digo arriba, este codigo funciona solo para caracteres (unicode) menores que 0x800 (menores que 8*256, la 'ñ', 'á', son menores que 1*256):
#include <iostream>
using namespace std;
int main()
{
for (auto const&l : string("áaéeiíóúñ")) {
cout << l;
if ((l&0xc0)!=0xc0)
cout << endl;
}
}
Salida:
á
a
é
e
i
í
ó
ú
ñ
He intercalado retornos de linea solo en "algunos casos" entre los "bytes" de salida.