多字节字符

    C 语言诞生时，只考虑了英语字符，使用7位的 ASCII 码表示所有字符。ASCII 码的范围是0到127，也就是最多只能表示100多个字符，用一个字节就可以表示，所以类型只占用一个字节。

    但是，如果处理非英语字符，一个字节就不够了，单单是中文，就至少有几万个字符，字符集就势必使用多个字节表示。

    最初，不同国家有自己的字符编码方式，这样不便于多种字符的混用。因此，后来就逐渐统一到 Unicode 编码，将所有字符放入一个字符集。

    Unicode 为每个字符提供一个号码，称为码点（code point），其中0到127的部分，跟 ASCII 码是重合的。通常使用“U+十六进制码点”表示一个字符，比如U+0041表示字母A。

    Unicode 编码目前一共包含了100多万个字符，码点范围是 U+0000 到 U+10FFFF。完整表达整个 Unicode 字符集，至少需要三个字节。但是，并不是所有文档都需要那么多字符，比如对于 ASCII 码就够用的英语文档，如果每个字符使用三个字节表示，就会比单字节表示的文件体积大出三倍。

    为了适应不同的使用需求，Unicode 标准委员会提供了三种不同的表示方法，表示 Unicode 码点。

    • UTF-8：使用1个到4个字节，表示一个码点。不同的字符占用的字节数不一样。
    • UTF-16：对于U+0000 到 U+FFFF 的字符（称为基本平面），使用2个字节表示一个码点。其他字符使用4个字节。
    • UTF-32：统一使用4个字节，表示一个码点。

    其中，UTF-8 的使用最为广泛，因为对于 ASCII 字符（U+0000 到 U+007F），它只使用一个字节表示，这就跟 ASCII 的编码方式完全一样。

    C 语言提供了两个宏，表示当前系统支持的编码字节长度。这两个宏都定义在头文件limits.h。

    • MB_LEN_MAX：任意支持地区的最大字节长度，定义在limits.h。
    • MB_CUR_MAX：当前语言的最大字节长度，总是小于或等于MB_LEN_MAX，定义在stdlib.h。

    字符表示法的本质，是将每个字符映射为一个整数，然后从编码表获得该整数对应的字符。

    C 语言提供了不同的写法，用来表示字符的整数号码。

    • \123：以八进制值表示一个字符，斜杠后面需要三个数字。
    • \x4D：以十六进制表示一个字符，\x后面是十六进制整数。
    • \u2620：以 Unicode 码点表示一个字符（不适用于 ASCII 字符），码点以十六进制表示，\u后面需要4个字符。
    • \U0001243F：以 Unicode 码点表示一个字符（不适用于 ASCII 字符），码点以十六进制表示，\U后面需要8个字符。

    上面三行都会输出“ABC”。

    1. printf("\u2022 Bullet 1\n");
    2. printf("\U00002022 Bullet 1\n");

    上面两行都会输出“• Bullet 1”。

    C 语言预设只有基本字符，才能使用字面量表示，其它字符都应该使用码点表示，并且当前系统还必须支持该码点的编码方法。

    所谓基本字符，指的是所有可打印的 ASCII 字符，但是有三个字符除外：@、$、` 。

    因此，遇到非英语字符，应该将其写成 Unicode 码点形式。

    1. char* s = "\u6625\u5929";
    2. printf("%s\n", s); // 春天

    上面代码会输出中文“春天”。

    如果当前系统是 UTF-8 编码，可以直接用字面量表示多字节字符。

    1. char* s = "春天";
    2. printf("%s\n", s);

    注意，\u + 码点和\U + 码点的写法，不能用来表示 ASCII 码字符（码点小于0xA0的字符），只有三个字符除外：0x24（$），0x40（@）和0x60（` ）。

    1. char* s = "\u0024\u0040\u0060";
    2. printf("%s\n", s);  // @$`

    为了保证程序执行时，字符能够正确解读，最好将程序环境切换到本地化环境。

    1. setlocale(LC_ALL, "");

    上面代码中，使用setlocale()切换执行环境到系统的本地化语言。setlocale()的原型定义在头文件locale.h，详见标准库部分的《locale.h》章节。

    像下面这样，指定编码语言也可以。

    上面代码将程序执行环境，切换到中文环境的 UTF-8 编码。

    C 语言允许使用u8前缀，对多字节字符串指定编码方式为 UTF-8。

    1. char* s = u8"春天";
    2. printf("%s\n", s);

    一旦字符串里面包含多字节字符，就意味着字符串的字节数与字符数不再一一对应了。比如，字符串的长度为10字节，就不再是包含10个字符，而可能只包含7个字符、5个字符等等。

    1. setlocale(LC_ALL, "");
    3. printf("%d\n", strlen(s)); // 6

    上面示例中，字符串s只包含两个字符，但是strlen()返回的结果却是6，表示这两个字符一共占据了6个字节。

    C 语言的字符串函数只针对单字节字符有效，对于多字节字符都会失效，比如strtok()、strchr()、strspn()、toupper()、tolower()、isalpha()等不会得到正确结果。

    上一小节的多字节字符串，每个字符的字节宽度是可变的。这种编码方式虽然使用起来方便，但是很不利于字符串处理，因此必须逐一检查每个字符占用的字节数。所以除了这种方式，C 语言还提供了确定宽度的多字节字符存储方式，称为宽字符（wide character）。

    所谓“宽字符”，就是每个字符占用的字节数是固定的，要么是2个字节，要么是4个字节。这样的话，就很容易快速处理。

    宽字符有一个单独的数据类型 wchar_t，每个宽字符都是这个类型。它属于整数类型的别名，可能是有符号的，也可能是无符号的，由当前实现决定。该类型的长度为16位（2个字节）或32位（4个字节），足以容纳当前系统的所有字符。它定义在头文件里面。

    宽字符的字面量必须加上前缀“L”，否则 C 语言会把字面量当作窄字符类型处理。

    1. setlocale(LC_ALL, "");
    3. wchar_t c = L'牛'；
    4. printf("%lc\n", c);
    6. wchar_t* s = L"春天";
    7. printf("%ls\n", s);

    上面示例中，前缀“L”在单引号前面，表示宽字符，对应printf()的占位符为%lc；在双引号前面，表示宽字符串，对应printf()的占位符为%ls。

    宽字符串的结尾也有一个空字符，不过是宽空字符，占用多个字节。

    处理宽字符，需要使用宽字符专用的函数，绝大部分都定义在头文件wchar.h。

    mblen()函数返回一个多字节字符占用的字节数。它的原型定义在头文件stdlib.h。

    1. int mblen(const char* mbstr, size_t n);

    它接受两个参数，第一个参数是多字节字符串指针，一般会检查该字符串的第一个字符；第二个参数是需要检查的字节数，这个数字不能大于当前系统单个字符占用的最大字节，一般使用MB_CUR_MAX。

    它的返回值是该字符占用的字节数。如果当前字符是空的宽字符，则返回0；如果当前字符不是有效的多字节字符，则返回-1。

    1. setlocale(LC_ALL, "");
    3. char* mbs1 = "春天";
    4. printf("%d\n", mblen(mbs1, MB_CUR_MAX)); // 3
    6. char* mbs2 = "abc";
    7. printf("%d\n", mblen(mbs2, MB_CUR_MAX)); // 1

    wctomb()函数（wide character to multibyte）用于将宽字符转为多字节字符。它的原型定义在头文件stdlib.h。

    wctomb()接受两个参数，第一个参数是作为目标的多字节字符数组，第二个参数是需要转换的一个宽字符。它的返回值是多字节字符存储占用的字节数量，如果无法转换，则返回-1。

    1. setlocale(LC_ALL, "");
    3. wchar_t wc = L'牛';
    4. char mbStr[10] = "";
    6. int nBytes = 0;
    7. nBytes = wctomb(mbStr, wc);
    9. printf("%s\n", mbStr);  // 牛
    10. printf("%d\n", nBytes);  // 3

    上面示例中，wctomb()将宽字符“牛”转为多字节字符，wctomb()的返回值表示转换后的多字节字符占用3个字节。

    mbtowc()用于将多字节字符转为宽字符。它的原型定义在头文件stdlib.h。

    1. int mbtowc(
    2.    wchar_t* wchar,
    3.    const char* mbchar,
    4.    size_t count
    5. );

    它接受3个参数，第一个参数是作为目标的宽字符指针，第二个参数是待转换的多字节字符指针，第三个参数是多字节字符的字节数。

    它的返回值是多字节字符的字节数，如果转换失败，则返回-1。

    1. setlocale(LC_ALL, "");
    2. char* mbchar = "牛";
    3. wchar_t wc;
    4. wchar_t* pwc = &wc;
    6. int nBytes = 0;
    7. nBytes = mbtowc(pwc, mbchar, 3);
    9. printf("%d\n", nBytes); // 3
    10. printf("%lc\n", *pwc);  // 牛

    上面示例中，mbtowc()将多字节字符“牛”转为宽字符wc，返回值是mbchar占用的字节数（占用3个字节）。

    wcstombs()用来将宽字符串转换为多字节字符串。它的原型定义在头文件stdlib.h。

    1. size_t wcstombs(
    2.    char* mbstr,
    3.    const wchar_t* wcstr,
    4.    size_t count
    5. );

    它接受三个参数，第一个参数mbstr是目标的多字节字符串指针，第二个参数wcstr是待转换的宽字符串指针，第三个参数count是用来存储多字节字符串的最大字节数。

    如果转换成功，它的返回值是成功转换后的多字节字符串的字节数，不包括尾部的字符串终止符；如果转换失败，则返回-1。

    下面是一个例子。

    1. setlocale(LC_ALL, "");
    3. char mbs[20];
    4. wchar_t* wcs = L"春天";
    6. int nBytes = 0;
    7. nBytes = wcstombs(mbs, wcs, 20);
    9. printf("%s\n", mbs); // 春天
    10. printf("%d\n", nBytes); // 6

    上面示例中，wcstombs()将宽字符串wcs转为多字节字符串mbs，返回值6表示写入mbs的字符串占用6个字节，不包括尾部的字符串终止符。

    如果wcstombs()的第一个参数是 NULL，则返回转换成功所需要的目标字符串的字节数。

    mbstowcs()用来将多字节字符串转换为宽字符串。它的原型定义在头文件stdlib.h。

    它接受三个参数，第一个参数wcstr是目标宽字符串，第二个参数mbstr是待转换的多字节字符串，第三个参数是待转换的多字节字符串的最大字符数。

    转换成功时，它的返回值是成功转换的多字节字符的数量；转换失败时，返回-1。如果返回值与第三个参数相同，那么转换后的宽字符串不是以 NULL 结尾的。

    下面是一个例子。

    1. setlocale(LC_ALL, "");
    3. char* mbs = "天气不错";
    4. wchar_t wcs[20];
    6. int nBytes = 0;
    7. nBytes = mbstowcs(wcs, mbs, 20);
    9. printf("%d\n", nBytes); // 4

    上面示例中，多字节字符串mbs被mbstowcs()转为宽字符串，成功转换了4个字符，所以该函数的返回值为4。