Есть обьект std::string string1, содержащий русские символы. Нужно узнать, присутствует ли в нем строка std::string string2, тоже содержащая русские символы. 

С strstr не получается.

Как можна решить задачу максимально просто ?

Это сообщение отредактировал(а) chubaka - 26.3.2008, 07:03

для utf-8 вот это:
unsigned char * _mbsstr(const unsigned char *s1, const unsigned char *s2);


Это сообщение отредактировал(а) korian - 26.3.2008, 10:17

Компилятор gcc, система unix.

mbstring.h не нашел у себя

int pos = (int)string1.find(string2.c_str());
if(pos == -1)
{
//не нашел
}

угу, я тоже сначала написал что-то подобное   
только у него utf-8

korian, именно. find,strstr не работают

если у вас нету функции:
unsigned char * _mbsstr(const unsigned char *s1, const unsigned char *s2);
я даже хз, что тут посоветовать... имху переходить в ASCII или в UNICODE

Немного конкретизировал задачу. Перегнал данные в wchar_t, но всеравно не ищет. Код:

А может вместо std::string спользовать std::wstring? С ним все работает.

а эта функция (mbstowcs) нули сама не ставит?
если у вас limit_string и search_for это объекты std::string'а, то length() для них вычисляется не правильно.
и если надо записывать нули, то надо указывать вайдовский ноль:
w_limit_string[<я хз как длину определить>] = L'\0';

Добавлено @ 13:49
почитал про mbstowcs...
попробуйте так:


Это сообщение отредактировал(а) korian - 26.3.2008, 13:51

korian, на счет нулей - не знаю, просто перестраховался. Пробовал и так и так.

На счет длины - вы не правы. 

Да, char[5] и wchar_t[5] занимают разное количество памяти, но длина текста у них аналогичная. В первом случае каждый символ - 8 бит, во втором - 16.

Добавлено через 2 минуты и 12 секунд
Уверяю вас, дело не в длине. Я проверял вручную переменные которые образовались, значения у них - правильные. 

Это сообщение отредактировал(а) chubaka - 26.3.2008, 13:50

прав   
ASCII - для символа 8 бит
UTF-8 (он же мультибайт) - длина символа 8 бит или 16 бит
UTF-16 (он же UNICODE, wchar_t) - длина символа 16 бит.

если использовать функцию ASCII (strlen) для UTF-8, то результат не предсказуем...
хотя может и предсказуем, если знать кодирование в UTF-8, я его не знаю. если в UTF-8 возможет вариант, что один символ записывается как \0xAB\0x00, тогда strlen будет возвращать значение меньше истинной длины. а в общем случае, если такого варианта не может быть, то strlen будет возвращать длину больше реальной.


Это сообщение отредактировал(а) korian - 26.3.2008, 13:56

korian, понял =) спасибо )

По поводу вашего примера - _mbslen (также как и _mbsstr, выше писал) - у меня ведь ее нет =)) была бы, я думаю давно решил бы проблему перегоном в unsigned char. 

Где найти mbstring.h и библиотеку для него ? FreeBDS.

тогда посмотрите значения w_limit_string_const и w_search_for_const
они нормальные? если да, то что-то уж очень все странно...

korian, да, нормальные. Но русский в w_limit_string_const - кракозябрами, а в w_search_for_const - нормальный. Хочу перегнать в unsigned char, но нужна _mbsstr.

а такая функция есть? - mblen

Да. Попробую с ней

Это сообщение отредактировал(а) chubaka - 26.3.2008, 14:12

Имхо, максимально просто - это прекратить рассматривать мультибайтовые чары и перейти к их представлению, как указатели на байтовые массивы. Сначала нам нужна функция, которая будет в массиве байт находить по эталону два последовательных байта (два байта - это, по определению, представление для кириллицы в utf-8).



Далее, нужна функция, которая будет в массиве байт находить эталонную последовательность пар байт.



Ключевая функция - memcmp - сравнение байтовых последовательностей.

Для проверки, строки я ввожу из файлов в формате UTF-8 :

string.txt


substring.txt


Файлы - в UTF-8, но читаю, как байты :



В результате, для приведённых файлов



ответом является


то есть, коричневая лисица началась с десятой позиции в строке.

В примечание - utfHeaderOffset - некий маркер utf-формата, который можно отладчиком увидеть в обоих строках. Мы должны его перепрыгнуть, иначе совпадений не будет найдено (-1).

Вроде не очень сложно, да?..

Это сообщение отредактировал(а) marcusmae - 26.3.2008, 15:18

Присоединённый файл ( Кол-во скачиваний: 4 )
 CyrUTF8.rar 179,63 Kb

marcusmae, спасибо огромное за такой полный ответ, но мне не помогло.
Исходная задача такая: есть 2 std::string обьекта. Они не загружаются из файла. Они через сокеты получают данные от другого сервера. Отсюда видимо значит что и маркера UTF формата не будет. 

  

Это сообщение отредактировал(а) chubaka - 27.3.2008, 09:00

про маркеры никто ничего не говорил.
короче я так понимаю, что проблема у вас в том, что вы или не знаете форматов сравниваемых строк, или не правильно их задаете.
поясните от куда берется строка limit_string и как задается search_for. и в каком они формате и уверены ли вы, что они в этом формате.

Это сообщение отредактировал(а) korian - 27.3.2008, 09:38

korian, про маркеры писал ув. marcusmae.

limit_string - HTML страница, полученная CURL'ом.
search_for - данные из файла, для поиска в коде HTML страницы. Загружается ifstream'ом. 

он писал что его надо перепрыгнуть, т.к. он нам нафиг не нужен, т.к. мы из начально знаем что там UTF-8. а по стандарту он туда пишется.
если файл из которого читается search_for - UTF-8
и search_for - это std::string, а ifstream - это std::ifstream, и читается оно по типу ifstream.getline(search_for), то у вас из начально не правильные значение в search_for.

Это сообщение отредактировал(а) korian - 27.3.2008, 09:59

chubaka, 
C/C++ рантайм не поддерживает работу с utf-8.
поэтому перед использованием текст надо перекодировать в честный utf-16 и юзать W-функции
см. MultiByteToWideChar

korian, уважаемый, вы гений =) Огромное спасибо. Действительна проблема была в том, что я неверно вводил данные в файл. Я программирую на удаленном сервере через SSH, и клиент PuTTy неверно принимал русские символы. Спасибо большое !

Также спасибо большое всем кто старался помочь. Много полезных советов на будущее