Странности с Copy

[wwswowsogon]

Всем здравствуйте!

Наткнулся на странную вещь: написал функцию, делающую из полного имени фамилию и инициалы.
Для получения инициалов Копируем из имени и отчества по одному, первому символу.
Если написать так (казалось бы, очевидный вариант )

Код: Выделить всё

n := Copy(nam, 1, 1);


то получается разного рода ерунда - знаки вопроса, пробелы лишние и т. д.
Опытным путем установлено, что нужно делать копирование двух первых символов, а не одного:

Код: Выделить всё

n := Copy(nam, 1, 2);


Тогда получается всё, как надо.

Вопрос: с чем это связано и как предсказыать наперёд поведение Copy?
Заранее спасибо!

[*Rik*]

Это связано с тем, что русский текст в UTF8 имеет двухбайтную кодировку и копирование по одному символу калечит правиьность строки, а в целом один символ в UTF8 может занимать от одного до 8 байтов, поэтому UTF8 и называется. Нужно использовать для копирования специальные функции для работы с UTF8..

[zoltanleo]

Код: Выделить всё

uses
...LazUTF8;
...
n := UTF8Copy(nam, 1, 2);

Для получения крайних символов слева или справа удобнее использовать соответственно UTF8LeftStr или UTF8RightStr

Добавлено спустя 44 секунды:

Это связано с тем

Юр, привет.

[*Rik*]

Код: Выделить всё

uses
...LazUTF8;
...
n := UTF8Copy(nam, 1, 2);

Для получения крайних символов слева или справа удобнее использовать соответственно UTF8LeftStr или UTF8RightStr

Добавлено спустя 44 секунды:

Это связано с тем

Юр, привет.

!!

[wwswowsogon]

Точно, я теперь вспомнил о UTF8Copy. Где-то когда-то на форуме встречал уже, но - забылось же.
Спасибо большое за информацию!!!

[Ichthyander]

Пару дней назад как раз обсуждали эту проблему в одном из чатов. Так вот валиднее всего использовать UTF8LeftStr. Если строка передается в LCL, то в большинстве случаев, строка обрезает неправильные байты. И мне подсказали еще вот такую функцию, если не хочется тащить LCLUTF8

Код: Выделить всё

L := Length(S);
  I := 1;
  if (L > 0) and (S[I] > ' ') and (S[L] > ' ') then Exit(S);
  while (I <= L) and (S[I] <= ' ') do Inc(I);
  if I > L then Exit('');
  while S[L] <= ' ' do Dec(L);
  Result := Copy(S, I, L - I + 1);

ПРавда последнее я не тестил. Там где виден пробел в кавычках как я понимаю это non-break whitespace #$A0

[Cheb]

Тупой вариант - перегонять строку в UnicodeString и по привычному обращаться к ней, как к массиву.
Utf8Decode - обработал - Utf8Encode

UnicodeString - теоретический, тоже многобайтовая, и один символ может занимать несколько UnicodeChar, но на практике это такие редкоземельные символы, что в ФИО никогда не встретятся. Только в пиктограмках для смайликов или там шумеро-аккадских шрифтах каких нибудь.

[zoltanleo]

Тупой вариант - перегонять строку в UnicodeString

Мьсе - любитель нелегких путей?
Каков в этом сакральный смысл? И каковы преимущества перед выше упомянутым функциями?

[Cheb]

Каков в этом сакральный смысл?

Проход по строке, как по массиву, *без* использования любых функций - чем паскаль выгодно отличался от других яп пока не пересели на утф-8?
При синтаксическом разборе - самое оно, один раз перегнал в UnicodeString, дальше - затраты ничтожны. А все эти Utf8Copy, боюсь. вынуждены парсить всю строку с начала и до указанной позиции чтобы вырезать одну букевку.
..кароч, разница как между последовательным доступом к потоку и произвольным доступом к массиву.

[alexs]

А все эти Utf8Copy, боюсь. вынуждены парсить всю строку с начала и до указанной позиции чтобы вырезать одну букевку.

На самом деле - когда делаешь разбор - у тебя данные идут потоком. нет нужды каждый раз отматывать в начало потока (строки). Достаточно взять следующий символ.

[zoltanleo]

При синтаксическом разборе - самое оно, один раз перегнал в UnicodeString, дальше - затраты ничтожны.

С практической точки зрения большой выигрыш по времени?

[Cheb]

когда делаешь разбор - у тебя данные идут потоком.

В идеальном мире с идеальным однопроходным синтаксисом на подобие паскалевского, ага.
Как только что-нибудь нетривиальное, где надо елозить взад-вперёд - Здравствуй. Опа. Новый год.

Нет, utf-8 идеален для хранения, обмена, линейного парсинга когда вдоль строки можно идти, игнорируя смысл букв кроме тегов.

Для обработки удобнее UnicodeString.
Причём, для русского текста - что совой об пень, что пнём об сову, два байта на символ.

[zoltanleo]

Для обработки удобнее UnicodeString

Для чего удобнее? Повторюсь, каков практический смысл?

[Снег Север]

Может на гигабайтных строках выигрыш будет, но уверен, ни в каком реальном случае его не заметить.

[Vadim]

Снег Север
А есть уже готовые алгоритмы тестов. Именно тестов, чтобы было видно время исполнения?