从零开始的 JSON 库教程（四）：Unicode 解答篇

  • Milo Yip
  • 2016/10/6

本文是《从零开始的 JSON 库教程》的第四个单元解答篇。解答代码位于 json-tutorial/tutorial04_answer。

1. 实现 lept_parse_hex4()

这个函数只是读 4 位 16 进制数字，可以简单地自行实现：

  1. static const char* lept_parse_hex4(const char* p, unsigned* u) {
  2.     int i;
  3.     *u = 0;
  4.     for (i = 0; i < 4; i++) {
  5.         char ch = *p++;
  6.         *u <<= 4;
  7.         if      (ch >= '0' && ch <= '9')  *u |= ch - '0';
  8.         else if (ch >= 'A' && ch <= 'F')  *u |= ch - ('A' - 10);
  9.         else if (ch >= 'a' && ch <= 'f')  *u |= ch - ('a' - 10);
  10.         else return NULL;
  11.     }
  12.     return p;
  13. }

可能有同学想到用标准库的 strtol()，因为它也能解析 16 进制数字，那么可以简短的写成：

  1. static const char* lept_parse_hex4(const char* p, unsigned* u) {
  2.     char* end;
  3.     *u = (unsigned)strtol(p, &end, 16);
  4.     return end == p + 4 ? end : NULL;
  5. }

但这个实现会错误地接受 "\u 123" 这种不合法的 JSON，因为 strtol() 会跳过开始的空白。要解决的话，还需要检测第一个字符是否 [0-9A-Fa-f]，或者 !isspace(*p)。但为了 strtol() 做多余的检测，而且自行实现也很简单，我个人会选择首个方案。（前两个单元用 strtod() 就没辨法，因为它的实现要复杂得多。）

2. 实现 lept_encode_utf8()

这个函数只需要根据那个 UTF-8 编码表就可以实现：

  1. static void lept_encode_utf8(lept_context* c, unsigned u) {
  2.     if (u <= 0x7F) 
  3.         PUTC(c, u & 0xFF);
  4.     else if (u <= 0x7FF) {
  5.         PUTC(c, 0xC0 | ((u >> 6) & 0xFF));
  6.         PUTC(c, 0x80 | ( u       & 0x3F));
  7.     }
  8.     else if (u <= 0xFFFF) {
  9.         PUTC(c, 0xE0 | ((u >> 12) & 0xFF));
  10.         PUTC(c, 0x80 | ((u >>  6) & 0x3F));
  11.         PUTC(c, 0x80 | ( u        & 0x3F));
  12.     }
  13.     else {
  14.         assert(u <= 0x10FFFF);
  15.         PUTC(c, 0xF0 | ((u >> 18) & 0xFF));
  16.         PUTC(c, 0x80 | ((u >> 12) & 0x3F));
  17.         PUTC(c, 0x80 | ((u >>  6) & 0x3F));
  18.         PUTC(c, 0x80 | ( u        & 0x3F));
  19.     }
  20. }

有同学可能觉得奇怪，最终也是写进一个 char，为什么要做 x & 0xFF 这种操作呢？这是因为 u 是 unsigned 类型，一些编译器可能会警告这个转型可能会截断数据。但实际上，配合了范围的检测然后右移之后，可以保证写入的是 0~255 内的值。为了避免一些编译器的警告误判，我们加上 x & 0xFF。一般来说，编译器在优化之后，这与操作是会被消去的，不会影响性能。

其实超过 1 个字符输出时，可以只调用 1 次 lept_context_push()。这里全用 PUTC() 只是为了代码看上去简单一点。

3. 代理对的处理

遇到高代理项，就需要把低代理项 \uxxxx 也解析进来，然后用这两个项去计算出码点：

  1. case 'u':
  2.     if (!(p = lept_parse_hex4(p, &u)))
  3.         STRING_ERROR(LEPT_PARSE_INVALID_UNICODE_HEX);
  4.     if (u >= 0xD800 && u <= 0xDBFF) { /* surrogate pair */
  5.         if (*p++ != '\\')
  6.             STRING_ERROR(LEPT_PARSE_INVALID_UNICODE_SURROGATE);
  7.         if (*p++ != 'u')
  8.             STRING_ERROR(LEPT_PARSE_INVALID_UNICODE_SURROGATE);
  9.         if (!(p = lept_parse_hex4(p, &u2)))
  10.             STRING_ERROR(LEPT_PARSE_INVALID_UNICODE_HEX);
  11.         if (u2 < 0xDC00 || u2 > 0xDFFF)
  12.             STRING_ERROR(LEPT_PARSE_INVALID_UNICODE_SURROGATE);
  13.         u = (((u - 0xD800) << 10) | (u2 - 0xDC00)) + 0x10000;
  14.     }
  15.     lept_encode_utf8(c, u);
  16.     break;

4. 总结

JSON 的字符串解析终于完成了。但更重要的是，同学通过教程和练习后，应该对于 Unicode 和 UTF-8 编码有基本了解。使用 Unicode 标准去处理文本数据已是世界潮流。虽然 C11/C++11 引入了 Unicode 字符串字面量及少量函数，但仍然有很多不足，一般需要借助第三方库。

我们在稍后的单元还要处理生成时的 Unicode 问题，接下来我们要继续讨论数组和对象的解析。

如果你遇到问题，有不理解的地方，或是有建议，都欢迎在评论或 issue 中提出，让所有人一起讨论。