12.5.4 字符的分类和转换
C＋＋标准程序库包含两个用于处理字符的刻面：ctype和codecvt。这两个刻面均属于lo- cale：：ctype类型。ctype主要用于字符分类，此外还提供字母的大小写转换功能，以及在“型别char”和“该facet用以实例化对象的字符型别”之间的转换方法。codecvt用于表示在不同编码间进行字符转换，并主要用于basic_filebuf中的外部表述和内部表述之间的转换。
1.字符分类
ctype刻面是一个模板类，用以针对字符型别实现参数化。其定义的成员和功能见表12-28。ctype＜charT＞包含以下3个函数：
1）char和charT之间的转换函数。
2）字符分类函数。
3）字母的大小写转换函数。
表12-28 刻面ctype定义的成员和功能
函数is（beg，end，vec）用于在一个数组中存储一系列掩码（mask）。对于beg和end之间的每个字符，在vec所指数组中均有一个对应的mask以及相应的属性。很多字符需要被分类，以避免“字符分类”的虚函数调用操作。
widen（）函数用于将一个本地（native）字符集内“型别为char的字符转换为‘locale’所用字符集”内的对应字符，即此函数用于拓宽一个字符。
结果是char型别也无妨。相反，narrow（）函数用来将“locale所用的字符集”内的字符转换为native字符集内对应的字符。下面的例子将数字字符由char型别转换为wchar_t型别：
类ctype派生自类ctype_base，此类别仅用于定义一个枚举，名为mask。mask定义一系列值，可用于合成一个bitmask，用以检测字符属性。ctype_base使用的各种字符掩码见表12-29。字符分类的所有函数均需要一个bitmask参数，后者是由ctype_base内的值组合而成。为了获得需要的位掩码（bitmask），要使用各种位操作符（｜、＆、＾和～）。若字符涵盖某个mask所规范的字符内，则该字符必定匹配那个mask。
表12-29 ctype使用的各种字符掩码
2.针对char而做的ctype特化版本
为使字符分类函数获取更佳性能，ctype针对字符型别char有一个特化版本。此特化版本并未将字符分类（is（），scan_is（），scan_not（））函数委托给相应的虚函数处理，而是通过查表动作，以inline方式直接实例而得。为此，ctype＜char＞提供了一些额外的成员函数，详见表12-30。
表12-30 ctype＜char＞的额外成员函数及其功能
特化版本针对特定的locales，操控上述函数的行为。其做法仅仅是将某个mask表格传递给ctype构造函数作为参数。
静态成员table_size是一个常量，用于指示表格大小，由C＋＋标准程序库实例版本自行定义。其值至少为256。ctype＜char＞构造函数的第二个参数用于指示“当刻面被销毁时，表格是否应被删除”。若此参数值为true，则当刻面被销毁时，传入构造函数的那个表格会被delete［］释放掉。
保护型成员table（）函数返回的是构造函数的第一参数。静态保护成员函数classic_table（）返回的是经典的“C”locale中用于进行字符分类的表格。
3.用于字符分类的全局辅助函数
C＋＋标准程序库定义了一些全局函数，可以协助程序员方便地运用ctype刻面。表12-31列出了所有用于字符分类的全局辅助函数。
表12-31 用于字符分类的全局辅助函数
例如，对于表达式确定locale loc中的一个字符c是不是小写字母：
函数会返回一个bool值。
如果c是localeloc中的小写字母，以下表达式会返回对应的大写字母：
若c不是小写字母，则第一个参数会原封不动地返回。
上述表达式等同于以下表达式：
此表达式调用ctype＜char＞刻面的成员is（）函数，用以判断字符c是否符合第一个参数传来的位掩码所指定的字符属性。位掩码实值定义于ctype_base内。
这些字符分类全局函数和“同名但只有一个参数”的C函数相对应。这些定义于＜cctype＞和＜type.h＞的C函数总是采用当前的全局locale，用法简单直接。
若使用上述辅助函数，在同一个程序内使用不同的locale，则将无法运用使用者自定义的ctype刻面。
如果考虑字符转换效率，应尽力避免使用C＋＋函数，而应从locale中获取对应的刻面对象，然后直接使用该对象的成员函数。很多字符需要根据同一个locale进行分类。函数is（）可用于判断典型字符的掩码。函数对［beg，end］区间内的每个字符确定一个掩码，用以描述该字符的属性。这些掩码被存储在vec中，其位置对应于字符位置。快速搜寻时，可使用向量vector。
4.字符编码转换
codecvt刻面用于在字符内部编码和外部编码之间进行转换。例如，只要某个C＋＋标准程序库实例版本支持相应的刻面，即可使用codecvt在Unicode编码和EUC（extended UNIX Code）编码之间进行转换。
该刻面在类basic_filebuf中被用于在“内部表述”和“文件表述”之间进行转换。类basic_filebuf＜charT，traits＞使用codecvt＜charT，char，typename traits：：state_type＞的具体实例对象来完成此项任务：所使用的刻面是从储存于basic_filebuf的locale中抽取出来的。这是codecvt的主要用途——刻面很少直接使用。
为了理解codecvt，读者应该明白字符编码有两种方案：一种是对每个字符以固定个数的字节表示；另一种是对每个字符以不同个数的字节表示。
多字节表示法为了使字符的空间储存率更高，使用了所谓的转换状态。只有当前位置的转换状态正确，才可能正确翻译字节的含义。只有遍历整个多字节字符序列之后，才能正确理解其含义。
codecvt刻面包含3个函数：
1）字符型别internT用于指定内部表述方式。
2）型别externT用于指定外部表达方式。
3）型别stateT表示转换过程中的中间状态。
中间状态可能由不完全的宽字符或当前的转换状态组成。C＋＋标准程序库对于该state对象中具体存储什么东西没有强制要求。
内部表述始终采用“每个字符的字节个数固定”的表述方案。在大部分情况下，程序使用的是char和wchar_t两个型别。对于外部表述，程序可能使用固定的字节表示法，也可能使用多字节表示法。若采用后者，第二个模板参数用于表示多字节表示法。若采用后者，第二个模板参数会用于表示多字节编码中的基本单位的型别，即每个多字节字符均存放在一个或多个该型对象中。
第三个模板参数用于表示当前转换状态，某些时候会显示出其必要性。处理单个字符时，可能会因“源端缓冲区”已空或“目的端缓冲区”已满而导致多字节字符的处理中断。若出现这种情况，则可将当前状态储存于该型对象中。
和其他刻面相同，C＋＋标准仅仅强制要求支持少数转换。C＋＋标准程序库仅支持以下两个具体实例化对象：
1）codecvt＜char，char，mbstate_t＞。该实例化对象将native字符集转换为其自身。
2）codecvt＜wchar_t，char，mbstate_t＞。该实例化对象在native窄字符集中与native字符集之间进行转换。
C＋＋标准程序库没有指定第二个转换的确切语意。自然的做法是在wchar_t转换为char时，每个wchar_t可以切割为sizeof（wchar_t）个char对象。反向转换时，可将sizeof（wchar_t）个chars组装成一个wchar_t。转换动作与ctype刻面的成员函数widen（）和narrow（）很不相同：codecvt函数使用多个单字节字符构成一个宽字符（wchar_t）；ctype函数则是将某种编码下的某个字符转换为另一种编码下的对应字符。
和ctype facet一样，codecvt同样派生一个基类codecvt_base，该基类中也定义了一个枚举型别result，其枚举值用于指定codecvt成员函数的结果，其确切意义视具体的成员函数而定。
in（）函数将一个外部表述转换为内部表述。参数s是一个reference，指向stateT。这个“代表转移状态”的参数在转换开始时派上用场；结束时，最后一个转移状态也记录于其中。若待转换的输入缓冲区不是第一个被转换的缓冲区，则传入的转移状态可能和初始状态有所不同。参数fb和fe的型别都是const internT∗，分别代表输入缓冲区的起点和终点。参数tb和te的型别是externT∗，分别代表输出缓冲区的起点和终点。参数fn和tn分别用于表示输入和输出缓冲区中经过转换的序列的终点。函数返回型别是codecvt_base：：result。co-decvt刻面的成员函数见表12-32。
表12-32 codecvt刻面的成员函数
转换函数的返回值见表12-33。
表12-33 转换函数的返回值
返回值ok表示函数已取得部分进展。若保持fn＝＝fe，则代表整个输入缓冲区均被处理，并且tb和tn间的序列内含转换结果，其中的字符表示输入序列中的字符，并有一个上次转换留下的结束字符。若in（）函数的参数s不是初始状态，则其中储存上次转换未完成的那个“局部字符”。
返回值partial包含两层含义：其一表示输入缓冲区中的内容尚未耗尽之前输出缓冲区已经满溢；其二表示字符处理完毕之前输入缓冲区的内容已经耗尽。此时，tb和tn之间的序列包含所有转换完毕的字符，但输入缓冲区的尾端有一个尚未被完全转换的“部分字符”。下次转换时，为正确表达转换这个“部分字符”，需要一些信息，该信息储存在转移状态s中。若fe！＝fn，则输入缓冲区尚未清空，必定存在te＝＝tn，即输出缓冲区满溢。下次转换会从fn开始。
返回值noconv用于只是一个特殊情况：若外部表述转换为内部表述，则无需进行任何转换。此时fn和fb相同，tn和tb相同。目标序列中不包含任何东西，输入缓冲区的内容已经足够使用。
返回值error意味着遇到不可转换的字符。“标的字符集”中没有合适的表述可以对应字符，输入序列结束时的转移状态是非法的。C＋＋标准没有进一步规划任何函数而调查错误原因。
函数out（）和in（）是相似的，只有其转换方向相反，即内部表述转化为外部表述。参数和返回值的意义和in（）同样，参数型别调换之后，tb和te是internT∗，fb和fe是const ex-ternT∗。同样的情况也发生在fn和tn上。
当前的转换状态被当作unshift（）函数的参数s，该函数会安插必要的字符以形成一个序列。这通常意味着转换状态被转换为移动状态，即外部表述到达尾部。参数tb和tf的型别均是externT∗，tn的型别是externT＆∗。tb和te之间的序列是输出缓冲区，其中存储着转换之后的字符。成果序列的终点储存于tn之中。unshift（）函数的返回值见表12-34。
表12-34 unshift（）的返回值
encoding（）函数返回外部表述的编码信息。若返回-1，则转换动作将由状态决定。若返回0，则产生内部字符所需的externTs数量不是常数。若返回-1和0之外的其他数值，该值表示生成内部字符所需的externTs数量。该信息可用于粗略判断缓冲区的大小。
若函数in（）和out（）永远不能进行转换，则always_noconv（）函数返回true。
length（）函数返回“生成max个内部字符”所需的必要的externTs个数。若fb～fe序列中完整的internT字符数目少于max，此函数会返回“能够产生序列内最多internTs”的ex-ternTs的数量。