icuで文字列をスクリプト単位で分離

#include <iostream>
#include <unicode/ubrk.h>
#include <unicode/ustring.h>

#include <unicode/uscript.h>
#include <unicode/uchar.h>


#include <vector>
#include <fstream>

#include <algorithm>

#include <Windows.h>
#include <fcntl.h>
#include <io.h>

// 要リンク
#if defined(_DEBUG)
#pragma comment(lib, "icuucd.lib")
#else
#pragma comment(lib, "icuuc.lib")
#endif

struct Grapheme {
    int32_t start;
    int32_t end;
};

// 文字列を書記素単位でアクセスできるようにするリストを作成
std::vector<Grapheme> createGraphemeList(const char16_t* text, const size_t length) {

    UErrorCode status = U_ZERO_ERROR;
    std::vector<Grapheme> graphemes;

    // イテレータ作成
    UBreakIterator* bi = ubrk_open(UBRK_CHARACTER, "ja_JP", nullptr, 0, &status);

    if (U_FAILURE(status)) {
        return std::vector<Grapheme>();  // エラーが発生
    }

    // テキストを設定
    ubrk_setText(bi, (const UChar*)text, length, &status);

    if (U_FAILURE(status)) {
        ubrk_close(bi);
        return std::vector<Grapheme>();  // エラーが発生
    }

    // 最初の書記素の位置を取得
    int32_t start = ubrk_first(bi);
    int32_t end;

    // 書記素リストを作成
    while ((end = ubrk_next(bi)) != UBRK_DONE) {

        graphemes.push_back(Grapheme{ start, end });

        start = end;

    }

    // 終了処理
    ubrk_close(bi);

    return graphemes;
}

// 指定した書記素をutf16 からコードポイントに変換
UChar32 getCodepoint(const char16_t* text, const Grapheme& g) {
    UChar32 codepoint;
    size_t start = g.start;
    size_t end = g.end;
    U16_NEXT(text, start, end, codepoint);
    return codepoint;
}

// 各文字ごとにスクリプトを特定
std::vector< std::pair<size_t, UScriptCode> > createScriptList(const char16_t* text, const std::vector<Grapheme>& glist) {
    std::vector< std::pair<size_t, UScriptCode> > scliptslice;
    UScriptCode latest;

    UErrorCode err;
    UChar32 codepoint;
    UScriptCode script;
    for (size_t i = 0; i < glist.size(); i++) {

        codepoint = getCodepoint(text, glist[i]);
        script = uscript_getScript(codepoint, &err);

        if (U_SUCCESS(err)) {
            latest = script;
        }
        else {
            latest = USCRIPT_UNKNOWN;
        }
        scliptslice.push_back({ i, latest });
    }

    return scliptslice;

}

struct ScriptSlice {
    size_t grapheme_start;
    size_t grapheme_end;
    UScriptCode script;
};

// 一文字ごとに設定されているスクリプトを元に、同じスクリプトが連続している部分をひとまとめにする
std::vector<ScriptSlice> ScriptListShrink(const std::vector< std::pair<size_t, UScriptCode>  >& ss) {
    std::vector<ScriptSlice> slist;
    UScriptCode script = ss[0].second;

    slist.push_back({ ss[0].first, ss[0].first, ss[0].second});
    for (size_t i = 1; i < ss.size(); i++) {

        if (ss[i].second != slist.back().script) {
            slist.back().grapheme_end = ss[i].first-1;
            slist.push_back({ ss[i].first,ss[i].first, ss[i].second });
        }
    }
    slist.back().grapheme_end = ss.back().first;

    return slist;
}

int main()
{
    // 日本語ロケール
    std::locale::global(std::locale("japanese"));

    std::u16string u16str = u"あいうｲﾛﾊホヘト你好😁👩‍👨‍👦‍👧ÄɪʊabcQué";

    // 書記素リスト作成
    std::vector<Grapheme> glist = createGraphemeList(u16str.data(), u16str.length());

    // 書記素リストを元にスクリプトリストを作成
    std::vector< std::pair<size_t, UScriptCode> > slist = createScriptList(u16str.data(), glist);

    // スクリプトリストを元に、同じスクリプトが連続している部分をひとまとめにする
    std::vector<ScriptSlice> ss = ScriptListShrink(slist);

    // 同じスクリプト単位で表示
    for (size_t i = 0; i < ss.size(); i++) {

        size_t u16start = glist[ss[i].grapheme_start].start;
        size_t u16end = glist[ss[i].grapheme_end].end;
        size_t length = u16end - u16start;

        std::u16string u16wstr(u16str.data() + u16start, length);

        std::wcout << L"[" << ss[i].script << L"] ";
        WriteConsoleW(GetStdHandle(STD_OUTPUT_HANDLE), u16wstr.c_str(), length, nullptr, nullptr);
        WriteConsoleW(GetStdHandle(STD_OUTPUT_HANDLE), L"\n", 2, nullptr, nullptr);
    }

    return 0;

}

std::u16string u16str = u"あいうｲﾛﾊホヘト你好😁👩‍👨‍👦‍👧ÄɪʊabcQué,'\"-、ＡＢＣ”‘’"