openFrameworksでUTF-8文字列を１文字ずつ分割する

通常のASCII文字列であれば
string str = "ABCDE";
cout << str.at( 0 );
というふうにstringのat()関数を使えば指定したインデックスの１文字が取得できます。

正確には、at()関数で取得できるのは指定したインデックスの1バイトであるため、2バイト文字や3バイト文字を含む日本語文字列( UTF-8 )を分割しようとすると、困ったことに本来2バイトや3バイトで一文字になっているものも容赦なく1バイトずつに分割されてしまいます。

そこで、ここ( UTF8エンコードをデコードする )を参考にして、

一度at()関数で1バイトずつ分割
　　　　　　　▼
UTF-8での1バイトごとのビットパターンを識別
　　　　　　　▼
2~3バイト文字の場合は連結して1文字に
　　　　　　　▼
string型のvectorに連結した文字を追加

という手順で実装しました。

ofApp.h

class ofApp : public ofBaseApp
{
public:
  void setup();
  vector< string > separateUTF8String( string _srcStr );

  string srcStr;
};

ofApp.cpp

void ofApp::setup()
{
  srcStr = "はろーわーるど！Hello, world!";
  vector< string > letters_uc = separateUTF8String( srcStr );
  for( string s : letters_uc )
  {
    cout << s << endl;
  }
}

vector< string > ofApp::separateUTF8String( string _srcStr )
{
    vector< string > letters;

    for( int i = 0; i < _srcStr.length(); ++i )
    {
        string bin_str = ofToBinary( _srcStr.at( i ) );

        // 1 byte character
        if( bin_str.find( "0" ) == 0 )
        {
            letters.push_back( ofToString( _srcStr.at( i ) ) );
        }
        // 2 byte character
        else if( bin_str.find( "110" ) == 0 )
        {
            letters.push_back( ofToString( _srcStr.at( i ) ) + ofToString( _srcStr.at( i + 1 ) ) );
        }
        // 3 byte character
        else if( bin_str.find( "1110" ) == 0 )
        {
            letters.push_back( ofToString( _srcStr.at( i ) ) + ofToString( _srcStr.at( i + 1 ) ) + ofToString( _srcStr.at( i + 2 ) ) );
        }
        // continue byte ( second or later byte )
        else if( bin_str.find( "10" ) == 0  )
        {

        }
    }

    return letters;
}

実行結果

は
ろ
ー
わ
ー
る
ど
！
H
e
l
l
o
,

w
o
r
l
d
!