EasyOCR-CPP/LibEasyOCR-CPP/ATW.cpp

/* Copyright (C) 2011 阙荣文
 *
 * 这是一个开源免费软件,您可以自由的修改和发布.
 * 禁止用作商业用途.
 *
 * 联系原作者: querw@sina.com
*/

// ATW.h: interface for the CBase64 class.
// by Ted.Que - Que's C++ Studio
// 2010-11-12
// 转换字符编码
#include "pch.h"
#include "ATW.h"


std::string __do_w_to_a_utf8(const wchar_t* pwszText, UINT uCodePage)
{
	// 空指针输入
	if (pwszText == NULL) return "";

	// 无法计算需要的长度.
	int nNeedSize = WideCharToMultiByte(uCodePage, 0, pwszText, -1, NULL, 0, NULL, NULL);
	if (0 == nNeedSize) return "";

	// 分配空间,转换.
	char* pRet = new char[nNeedSize + 1]; // 虽然返回WideCharToMultiByte的长度是包含 null 字符的长度, 还是多+一个字符.
	memset(pRet, 0, nNeedSize + 1);

	std::string strRet("");
	if (0 == WideCharToMultiByte(uCodePage, 0, pwszText, -1, pRet, nNeedSize, NULL, NULL))
	{
	}
	else
	{
		strRet = pRet;
	}

	delete[]pRet;
	return strRet;
}

std::wstring __do_a_utf8_to_w(const char* pszText, UINT uCodePage)
{
	// 空指针
	if (pszText == NULL) return L"";

	// 计算长度
	int nNeedSize = MultiByteToWideChar(uCodePage, 0, pszText, -1, NULL, 0);
	if (0 == nNeedSize) return L"";

	// 分配空间,转换
	std::wstring strRet(L"");
	wchar_t* pRet = new wchar_t[nNeedSize + 1];
	memset(pRet, 0, (nNeedSize + 1) * sizeof(wchar_t));
	if (0 == MultiByteToWideChar(uCodePage, 0, pszText, -1, pRet, nNeedSize))
	{
	}
	else
	{
		strRet = pRet;
	}
	delete[]pRet;
	return strRet;
}

std::string WtoA(const std::wstring& strText)
{
	return __do_w_to_a_utf8(strText.c_str(), CP_ACP);
}

std::string WtoA(const wchar_t* pwszText)
{
	return __do_w_to_a_utf8(pwszText, CP_ACP);
}

std::wstring AtoW(const std::string& strText)
{
	return __do_a_utf8_to_w(strText.c_str(), CP_ACP);
}

std::wstring AtoW(const char* pszText)
{
	return __do_a_utf8_to_w(pszText, CP_ACP);
}

std::string WtoUTF8(const std::wstring& strText)
{
	return __do_w_to_a_utf8(strText.c_str(), CP_UTF8);
}

std::string WtoUTF8(const wchar_t* pwszText)
{
	return __do_w_to_a_utf8(pwszText, CP_UTF8);
}

std::wstring UTF8toW(const std::string& strText)
{
	return __do_a_utf8_to_w(strText.c_str(), CP_UTF8);
}

std::wstring UTF8toW(const char* pszText)
{
	return __do_a_utf8_to_w(pszText, CP_UTF8);
}

std::string UTF8toA(const std::string& src)
{
	return WtoA(UTF8toW(src));
}

std::string UTF8toA(const char* src)
{
	return WtoA(UTF8toW(src));
}

std::string AtoUTF8(const std::string& src)
{
	return WtoUTF8(AtoW(src));
}

std::string AtoUTF8(const char* src)
{
	return WtoUTF8(AtoW(src));
}
/*
UTF-8 编码最多可以有6个字节

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

*/

// 返回值说明: 
// 0 -> 输入字符串符合UTF-8编码规则
// -1 -> 检测到非法的UTF-8编码首字节
// -2 -> 检测到非法的UTF-8字节编码的后续字节.

int IsTextUTF8(const char* pszSrc)
{
	const unsigned char* puszSrc = (const unsigned char*)pszSrc; // 一定要无符号的,有符号的比较就不正确了.
	// 看看有没有BOM表示 EF BB BF
	if (puszSrc[0] != 0 && puszSrc[0] == 0xEF &&
		puszSrc[1] != 0 && puszSrc[1] == 0xBB &&
		puszSrc[2] != 0 && puszSrc[2] == 0xBF)
	{
		return 0;
	}

	// 如果没有 BOM标识
	bool bIsNextByte = false;
	int nBytes = 0; // 记录一个字符的UTF8编码已经占用了几个字节.
	const unsigned char* pCur = (const unsigned char*)pszSrc; // 指针游标用无符号字符型. 因为高位为1, 如果用 char 型, 会变为负数,不利于编程时候的比较操作.

	while (pCur[0] != 0)
	{
		if (!bIsNextByte)
		{
			bIsNextByte = true;
			if ((pCur[0] >> 7) == 0)
			{
				bIsNextByte = false; nBytes = 1; bIsNextByte = false;
			} // 最高位为0, ANSI 兼容的.
			else if ((pCur[0] >> 5) == 0x06)
			{
				nBytes = 2;
			} // 右移5位后是 110 -> 2字节编码的UTF8字符的首字节
			else if ((pCur[0] >> 4) == 0x0E)
			{
				nBytes = 3;
			} // 右移4位后是 1110 -> 3字节编码的UTF8字符的首字节
			else if ((pCur[0] >> 3) == 0x1E)
			{
				nBytes = 4;
			} // 右移3位后是 11110 -> 4字节编码的UTF8字符的首字节
			else if ((pCur[0] >> 2) == 0x3E)
			{
				nBytes = 5;
			} // 右移2位后是 111110 -> 5字节编码的UTF8字符的首字节
			else if ((pCur[0] >> 1) == 0x7E)
			{
				nBytes = 6;
			} // 右移1位后是 1111110 -> 6字节编码的UTF8字符的首字节
			else
			{
				nBytes = -1; // 非法的UTF8字符编码的首字节
				break;
			}
		}
		else
		{
			if ((pCur[0] >> 6) == 0x02) // 首先,后续字节必须以 10xxx 开头
			{
				nBytes--;
				if (nBytes == 1) bIsNextByte = false; // 当 nBytes = 1时, 说明下一个字节应该是首字节.
			}
			else
			{
				nBytes = -2;
				break;
			}
		}

		// 下跳一个字符
		pCur++;
	}

	if (nBytes == 1) return 0;
	else return nBytes;
}