Fix timevar.cc build on systems that don't have CLOCK_MONOTONIC
[gcc.git] / libstdc++-v3 / doc / xml / manual / strings.xml
blob4a63dd964771ff85799e0f5e5147dc65139e7128
1 <chapter xmlns="http://docbook.org/ns/docbook" version="5.0"
2          xml:id="std.strings" xreflabel="Strings">
3 <?dbhtml filename="strings.html"?>
5 <info><title>
6   Strings
7   <indexterm><primary>Strings</primary></indexterm>
8 </title>
9   <keywordset>
10     <keyword>ISO C++</keyword>
11     <keyword>library</keyword>
12   </keywordset>
13 </info>
15 <!-- Sect1 01 : Character Traits -->
17 <!-- Sect1 02 : String Classes -->
18 <section xml:id="std.strings.string" xreflabel="string"><info><title>String Classes</title></info>
21   <section xml:id="strings.string.simple" xreflabel="Simple Transformations"><info><title>Simple Transformations</title></info>
23     <para>
24       Here are Standard, simple, and portable ways to perform common
25       transformations on a <code>string</code> instance, such as
26       "convert to all upper case." The word transformations
27       is especially apt, because the standard template function
28       <code>transform&lt;&gt;</code> is used.
29    </para>
30    <para>
31      This code will go through some iterations.  Here's a simple
32      version:
33    </para>
34    <programlisting>
35    #include &lt;string&gt;
36    #include &lt;algorithm&gt;
37    #include &lt;cctype&gt;      // old &lt;ctype.h&gt;
39    struct ToLower
40    {
41      char operator() (char c) const  { return std::tolower(c); }
42    };
44    struct ToUpper
45    {
46      char operator() (char c) const  { return std::toupper(c); }
47    };
49    int main()
50    {
51      std::string  s ("Some Kind Of Initial Input Goes Here");
53      // Change everything into upper case
54      std::transform (s.begin(), s.end(), s.begin(), ToUpper());
56      // Change everything into lower case
57      std::transform (s.begin(), s.end(), s.begin(), ToLower());
59      // Change everything back into upper case, but store the
60      // result in a different string
61      std::string  capital_s;
62      capital_s.resize(s.size());
63      std::transform (s.begin(), s.end(), capital_s.begin(), ToUpper());
64    }
65    </programlisting>
66    <para>
67      <emphasis>Note</emphasis> that these calls all
68       involve the global C locale through the use of the C functions
69       <code>toupper/tolower</code>.  This is absolutely guaranteed to work --
70       but <emphasis>only</emphasis> if the string contains <emphasis>only</emphasis> characters
71       from the basic source character set, and there are <emphasis>only</emphasis>
72       96 of those.  Which means that not even all English text can be
73       represented (certain British spellings, proper names, and so forth).
74       So, if all your input forevermore consists of only those 96
75       characters (hahahahahaha), then you're done.
76    </para>
77    <para><emphasis>Note</emphasis> that the
78       <code>ToUpper</code> and <code>ToLower</code> function objects
79       are needed because <code>toupper</code> and <code>tolower</code>
80       are overloaded names (declared in <code>&lt;cctype&gt;</code> and
81       <code>&lt;locale&gt;</code>) so the template-arguments for
82       <code>transform&lt;&gt;</code> cannot be deduced, as explained in
83       <link xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="http://gcc.gnu.org/ml/libstdc++/2002-11/msg00180.html">this
84       message</link>.
85       <!-- section 14.8.2.4 clause 16 in ISO 14882:1998  -->
86       At minimum, you can write short wrappers like
87    </para>
88    <programlisting>
89    char toLower (char c)
90    {
91       // std::tolower(c) is undefined if c &lt; 0 so cast to unsigned char.
92       return std::tolower((unsigned char)c);
93    } </programlisting>
94    <para>(Thanks to James Kanze for assistance and suggestions on all of this.)
95    </para>
96    <para>Another common operation is trimming off excess whitespace.  Much
97       like transformations, this task is trivial with the use of string's
98       <code>find</code> family.  These examples are broken into multiple
99       statements for readability:
100    </para>
101    <programlisting>
102    std::string  str (" \t blah blah blah    \n ");
104    // trim leading whitespace
105    string::size_type  notwhite = str.find_first_not_of(" \t\n");
106    str.erase(0,notwhite);
108    // trim trailing whitespace
109    notwhite = str.find_last_not_of(" \t\n");
110    str.erase(notwhite+1); </programlisting>
111    <para>Obviously, the calls to <code>find</code> could be inserted directly
112       into the calls to <code>erase</code>, in case your compiler does not
113       optimize named temporaries out of existence.
114    </para>
116   </section>
117   <section xml:id="strings.string.case" xreflabel="Case Sensitivity"><info><title>Case Sensitivity</title></info>
119     <para>
120     </para>
122    <para>The well-known-and-if-it-isn't-well-known-it-ought-to-be
123       <link xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="http://www.gotw.ca/gotw/">Guru of the Week</link>
124       discussions held on Usenet covered this topic in January of 1998.
125       Briefly, the challenge was, <quote>write a 'ci_string' class which
126       is identical to the standard 'string' class, but is
127       case-insensitive in the same way as the (common but nonstandard)
128       C function stricmp()</quote>.
129    </para>
130    <programlisting>
131    ci_string s( "AbCdE" );
133    // case insensitive
134    assert( s == "abcde" );
135    assert( s == "ABCDE" );
137    // still case-preserving, of course
138    assert( strcmp( s.c_str(), "AbCdE" ) == 0 );
139    assert( strcmp( s.c_str(), "abcde" ) != 0 ); </programlisting>
141    <para>The solution is surprisingly easy.  The original answer was
142    posted on Usenet, and a revised version appears in Herb Sutter's
143    book <emphasis>Exceptional C++</emphasis> and on his website as <link xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="http://www.gotw.ca/gotw/029.htm">GotW 29</link>.
144    </para>
145    <para>See?  Told you it was easy!</para>
146    <para>
147      <emphasis>Added June 2000:</emphasis> The May 2000 issue of C++
148      Report contains a fascinating <link xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="https://lafstern.org/matt/col2_new.pdf"> article</link> by
149      Matt Austern (yes, <emphasis>the</emphasis> Matt Austern) on why
150      case-insensitive comparisons are not as easy as they seem, and
151      why creating a class is the <emphasis>wrong</emphasis> way to go
152      about it in production code.  (The GotW answer mentions one of
153      the principle difficulties; his article mentions more.)
154    </para>
155    <para>Basically, this is "easy" only if you ignore some things,
156       things which may be too important to your program to ignore.  (I chose
157       to ignore them when originally writing this entry, and am surprised
158       that nobody ever called me on it...)  The GotW question and answer
159       remain useful instructional tools, however.
160    </para>
161    <para><emphasis>Added September 2000:</emphasis>  James Kanze provided a link to a
162       <link xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="http://www.unicode.org/reports/tr21/tr21-5.html">Unicode
163       Technical Report discussing case handling</link>, which provides some
164       very good information.
165    </para>
167   </section>
168   <section xml:id="strings.string.character_types" xreflabel="Arbitrary Characters"><info><title>Arbitrary Character Types</title></info>
170     <para>
171     </para>
173    <para>The <code>std::basic_string</code> is tantalizingly general, in that
174       it is parameterized on the type of the characters which it holds.
175       In theory, you could whip up a Unicode character class and instantiate
176       <code>std::basic_string&lt;my_unicode_char&gt;</code>, or assuming
177       that integers are wider than characters on your platform, maybe just
178       declare variables of type <code>std::basic_string&lt;int&gt;</code>.
179    </para>
180    <para>That's the theory.  Remember however that basic_string has additional
181       type parameters, which take default arguments based on the character
182       type (called <code>CharT</code> here):
183    </para>
184    <programlisting>
185       template &lt;typename CharT,
186                 typename Traits = char_traits&lt;CharT&gt;,
187                 typename Alloc = allocator&lt;CharT&gt; &gt;
188       class basic_string { .... };</programlisting>
189    <para>Now, <code>allocator&lt;CharT&gt;</code> will probably Do The Right
190       Thing by default, unless you need to implement your own allocator
191       for your characters.
192    </para>
193    <para>But <code>char_traits</code> takes more work.  The char_traits
194       template is <emphasis>declared</emphasis> but not <emphasis>defined</emphasis>.
195       That means there is only
196    </para>
197    <programlisting>
198       template &lt;typename CharT&gt;
199         struct char_traits
200         {
201             static void foo (type1 x, type2 y);
202             ...
203         };</programlisting>
204    <para>and functions such as char_traits&lt;CharT&gt;::foo() are not
205       actually defined anywhere for the general case.  The C++ standard
206       permits this, because writing such a definition to fit all possible
207       CharT's cannot be done.
208    </para>
209    <para>The C++ standard also requires that char_traits be specialized for
210       instantiations of <code>char</code> and <code>wchar_t</code>, and it
211       is these template specializations that permit entities like
212       <code>basic_string&lt;char,char_traits&lt;char&gt;&gt;</code> to work.
213    </para>
214    <para>If you want to use character types other than char and wchar_t,
215       such as <code>unsigned char</code> and <code>int</code>, you will
216       need suitable specializations for them.  For a time, in earlier
217       versions of GCC, there was a mostly-correct implementation that
218       let programmers be lazy but it broke under many situations, so it
219       was removed.  GCC 3.4 introduced a new implementation that mostly
220       works and can be specialized even for <code>int</code> and other
221       built-in types.
222    </para>
223    <para>If you want to use your own special character class, then you have
224       <link xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="http://gcc.gnu.org/ml/libstdc++/2002-08/msg00163.html">a lot
225       of work to do</link>, especially if you with to use i18n features
226       (facets require traits information but don't have a traits argument).
227    </para>
228    <para>Another example of how to specialize char_traits was given <link xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="http://gcc.gnu.org/ml/libstdc++/2002-08/msg00260.html">on the
229       mailing list</link> and at a later date was put into the file <code>
230       include/ext/pod_char_traits.h</code>.  We agree
231       that the way it's used with basic_string (scroll down to main())
232       doesn't look nice, but that's because <link xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="http://gcc.gnu.org/ml/libstdc++/2002-08/msg00236.html">the
233       nice-looking first attempt</link> turned out to <link xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="http://gcc.gnu.org/ml/libstdc++/2002-08/msg00242.html">not
234       be conforming C++</link>, due to the rule that CharT must be a POD.
235       (See how tricky this is?)
236    </para>
238   </section>
240   <section xml:id="strings.string.token" xreflabel="Tokenizing"><info><title>Tokenizing</title></info>
242     <para>
243     </para>
244    <para>The Standard C (and C++) function <code>strtok()</code> leaves a lot to
245       be desired in terms of user-friendliness.  It's unintuitive, it
246       destroys the character string on which it operates, and it requires
247       you to handle all the memory problems.  But it does let the client
248       code decide what to use to break the string into pieces; it allows
249       you to choose the "whitespace," so to speak.
250    </para>
251    <para>A C++ implementation lets us keep the good things and fix those
252       annoyances.  The implementation here is more intuitive (you only
253       call it once, not in a loop with varying argument), it does not
254       affect the original string at all, and all the memory allocation
255       is handled for you.
256    </para>
257    <para>It's called stringtok, and it's a template function. Sources are
258    as below, in a less-portable form than it could be, to keep this
259    example simple (for example, see the comments on what kind of
260    string it will accept).
261    </para>
263 <programlisting>
264 #include &lt;string&gt;
265 template &lt;typename Container&gt;
266 void
267 stringtok(Container &amp;container, string const &amp;in,
268           const char * const delimiters = " \t\n")
270     const string::size_type len = in.length();
271           string::size_type i = 0;
273     while (i &lt; len)
274     {
275         // Eat leading whitespace
276         i = in.find_first_not_of(delimiters, i);
277         if (i == string::npos)
278           return;   // Nothing left but white space
280         // Find the end of the token
281         string::size_type j = in.find_first_of(delimiters, i);
283         // Push token
284         if (j == string::npos)
285         {
286           container.push_back(in.substr(i));
287           return;
288         }
289         else
290           container.push_back(in.substr(i, j-i));
292         // Set up for next loop
293         i = j + 1;
294     }
296 </programlisting>
299    <para>
300      The author uses a more general (but less readable) form of it for
301      parsing command strings and the like.  If you compiled and ran this
302      code using it:
303    </para>
306    <programlisting>
307    std::list&lt;string&gt;  ls;
308    stringtok (ls, " this  \t is\t\n  a test  ");
309    for (std::list&lt;string&gt;const_iterator i = ls.begin();
310         i != ls.end(); ++i)
311    {
312        std::cerr &lt;&lt; ':' &lt;&lt; (*i) &lt;&lt; ":\n";
313    } </programlisting>
314    <para>You would see this as output:
315    </para>
316    <programlisting>
317    :this:
318    :is:
319    :a:
320    :test: </programlisting>
321    <para>with all the whitespace removed.  The original <code>s</code> is still
322       available for use, <code>ls</code> will clean up after itself, and
323       <code>ls.size()</code> will return how many tokens there were.
324    </para>
325    <para>As always, there is a price paid here, in that stringtok is not
326       as fast as strtok.  The other benefits usually outweigh that, however.
327    </para>
329    <para><emphasis>Added February 2001:</emphasis>  Mark Wilden pointed out that the
330       standard <code>std::getline()</code> function can be used with standard
331       <code>istringstreams</code> to perform
332       tokenizing as well.  Build an istringstream from the input text,
333       and then use std::getline with varying delimiters (the three-argument
334       signature) to extract tokens into a string.
335    </para>
338   </section>
339   <section xml:id="strings.string.shrink" xreflabel="Shrink to Fit"><info><title>Shrink to Fit</title></info>
341     <para>
342     </para>
343    <para>From GCC 3.4 calling <code>s.reserve(res)</code> on a
344       <code>string s</code> with <code>res &lt; s.capacity()</code> will
345       reduce the string's capacity to <code>std::max(s.size(), res)</code>.
346    </para>
347    <para>This behaviour is suggested, but not required by the standard. Prior
348       to GCC 3.4 the following alternative can be used instead
349    </para>
350    <programlisting>
351       std::string(str.data(), str.size()).swap(str);
352    </programlisting>
353    <para>This is similar to the idiom for reducing
354       a <code>vector</code>'s memory usage
355       (see <link linkend="faq.size_equals_capacity">this FAQ
356       entry</link>) but the regular copy constructor cannot be used
357       because libstdc++'s <code>string</code> is Copy-On-Write in GCC 3.
358    </para>
359    <para>From GCC 4.5 in <link linkend="status.iso.2011">C++11</link> mode you
360       can call <code>s.shrink_to_fit()</code> to achieve the same effect as
361       <code>s.reserve(s.size())</code>.
362    </para>
365   </section>
367   <section xml:id="strings.string.Cstring" xreflabel="CString (MFC)"><info><title>CString (MFC)</title></info>
369     <para>
370     </para>
372    <para>A common lament seen in various newsgroups deals with the Standard
373       string class as opposed to the Microsoft Foundation Class called
374       CString.  Often programmers realize that a standard portable
375       answer is better than a proprietary nonportable one, but in porting
376       their application from a Win32 platform, they discover that they
377       are relying on special functions offered by the CString class.
378    </para>
379    <para>Things are not as bad as they seem.  In
380       <link xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="http://gcc.gnu.org/ml/gcc/1999-04n/msg00236.html">this
381       message</link>, Joe Buck points out a few very important things:
382    </para>
383       <itemizedlist>
384          <listitem><para>The Standard <code>string</code> supports all the operations
385              that CString does, with three exceptions.
386          </para></listitem>
387          <listitem><para>Two of those exceptions (whitespace trimming and case
388              conversion) are trivial to implement.  In fact, we do so
389              on this page.
390          </para></listitem>
391          <listitem><para>The third is <code>CString::Format</code>, which allows formatting
392              in the style of <code>sprintf</code>.  This deserves some mention:
393          </para></listitem>
394       </itemizedlist>
395    <para>
396       The old libg++ library had a function called form(), which did much
397       the same thing.  But for a Standard solution, you should use the
398       stringstream classes.  These are the bridge between the iostream
399       hierarchy and the string class, and they operate with regular
400       streams seamlessly because they inherit from the iostream
401       hierarchy.  An quick example:
402    </para>
403    <programlisting>
404    #include &lt;iostream&gt;
405    #include &lt;string&gt;
406    #include &lt;sstream&gt;
408    string f (string&amp; incoming)     // incoming is "foo  N"
409    {
410        istringstream   incoming_stream(incoming);
411        string          the_word;
412        int             the_number;
414        incoming_stream &gt;&gt; the_word        // extract "foo"
415                        &gt;&gt; the_number;     // extract N
417        ostringstream   output_stream;
418        output_stream &lt;&lt; "The word was " &lt;&lt; the_word
419                      &lt;&lt; " and 3*N was " &lt;&lt; (3*the_number);
421        return output_stream.str();
422    } </programlisting>
423    <para>A serious problem with CString is a design bug in its memory
424       allocation.  Specifically, quoting from that same message:
425    </para>
426    <programlisting>
427    CString suffers from a common programming error that results in
428    poor performance.  Consider the following code:
430    CString n_copies_of (const CString&amp; foo, unsigned n)
431    {
432            CString tmp;
433            for (unsigned i = 0; i &lt; n; i++)
434                    tmp += foo;
435            return tmp;
436    }
438    This function is O(n^2), not O(n).  The reason is that each +=
439    causes a reallocation and copy of the existing string.  Microsoft
440    applications are full of this kind of thing (quadratic performance
441    on tasks that can be done in linear time) -- on the other hand,
442    we should be thankful, as it's created such a big market for high-end
443    ix86 hardware. :-)
445    If you replace CString with string in the above function, the
446    performance is O(n).
447    </programlisting>
448    <para>Joe Buck also pointed out some other things to keep in mind when
449       comparing CString and the Standard string class:
450    </para>
451       <itemizedlist>
452          <listitem><para>CString permits access to its internal representation; coders
453              who exploited that may have problems moving to <code>string</code>.
454          </para></listitem>
455          <listitem><para>Microsoft ships the source to CString (in the files
456              MFC\SRC\Str{core,ex}.cpp), so you could fix the allocation
457              bug and rebuild your MFC libraries.
458              <emphasis><emphasis>Note:</emphasis> It looks like the CString shipped
459              with VC++6.0 has fixed this, although it may in fact have been
460              one of the VC++ SPs that did it.</emphasis>
461          </para></listitem>
462          <listitem><para><code>string</code> operations like this have O(n) complexity
463              <emphasis>if the implementors do it correctly</emphasis>.  The libstdc++
464              implementors did it correctly.  Other vendors might not.
465          </para></listitem>
466          <listitem><para>While parts of the SGI STL are used in libstdc++, their
467              string class is not.  The SGI <code>string</code> is essentially
468              <code>vector&lt;char&gt;</code> and does not do any reference
469              counting like libstdc++'s does.  (It is O(n), though.)
470              So if you're thinking about SGI's string or rope classes,
471              you're now looking at four possibilities:  CString, the
472              libstdc++ string, the SGI string, and the SGI rope, and this
473              is all before any allocator or traits customizations!  (More
474              choices than you can shake a stick at -- want fries with that?)
475          </para></listitem>
476       </itemizedlist>
478   </section>
479 </section>
481 <!-- Sect1 03 : Interacting with C -->
483 </chapter>