C++0x 中 char 和 Unicode 的签名

Posted 2023-02-25

【中文标题】C++0x 中 char 和 Unicode 的签名

【英文标题】：Signedness of char and Unicode in C++0x

【发布时间】：2011-01-24 09:04:35

【问题描述】：

在 C++0x 工作草案中，用于处理 Unicode 的新字符类型（char16_t 和 char32_t）将是无符号的（uint_least16_t uint_least32_t 将是基础类型）。

但据我所知（也许不是很远）类型 char8_t（基于 uint_least8_t）没有定义。为什么 ？

当您看到为 UTF-8 字符串文字引入了新的 u8 编码前缀时，这更加令人困惑......基于老朋友 (sign/unsigned) char强>。为什么？

更新： 有一个添加新类型的提议：char8_t

char8_t：UTF-8 字符和字符串的类型（修订版 1） http://www.open-std.org/jtc1/sc22/wg21/docs/papers/2018/p0482r1.html

【参考方案1】：

char 将是用于 UTF-8 的类型，因为它被重新定义以确保它可以与它一起使用：

为了加强支持 对于 C++ 编译器中的 Unicode， char 类型的定义是 修改为至少大小 需要存储一个八位编码 UTF-8 和大到足以容纳 编译器基本的任何成员 执行字符集。它是 以前只定义为后者。 共有三种 Unicode 编码 C++0x 将支持：UTF-8、UTF-16 和 UTF-32。除了之前的 注意到定义的变化 char, C++0x 将添加两个新字符 类型：char16_t 和 char32_t。这些 旨在存储 UTF-16 和 分别为 UTF-32。

来源：http://en.wikipedia.org/wiki/C%2B%2B0x

大多数 UTF-8 应用程序已经在 PC/mac 上使用 char。

【讨论】：

没有说签名。

为什么粗体部分的措辞很尴尬？ “UTF-8的八位编码”不是多余的吗？

嗯，这就是***，措辞经常变化，而且质量差异很大。但是我没有找到另一个总结这些 un​​icode 相关功能的来源。

【参考方案2】：

char16_t 和 char32_t 应该可用于表示代码点。由于没有负代码点，因此将它们无符号是明智的。

UTF-8 不直接表示代码点，所以u8 的底层类型是否有符号无关紧要。

【讨论】：

如果我想存储字符 é (U+00E9)，也就是两个字节序列 0xC3 0xA9，带有一个有符号字符数组，它将失败：signed char e_acute = 0xC3,0xA9 => 这将截断值。因此，如果您的系统将 char 定义为带符号的 char，它仍然是一个问题。我错了吗？

克里斯，是否可以保证unsigned char -> signed char -> unsigned char 这对转换将产生原始值？前一个转换是实现定义的，我找不到任何可以保证往返的子句。

我的意思是，如果您从某个地方接收 UTF-8 数据（作为 0--255 范围内的数字序列，这是 UTF-8 的定义方式），您不能可靠地将它们存储在 char 数组中，因为通过转换回 unsigned char 获得的值可能不同（我什至不确定 CHAR_BIT 是否保证至少为 8）。为了可靠性，你必须使用uint_least8_t，在我看来，为它提供char8_t typedef 似乎有用且一致。

不，你永远不会直接解释 UTF8。您将其传递给运行时支持函数，该函数将其转换为本机字符类型，如 wchar_t。所以你把它放在什么样的字节包中并不重要。

将 UTF-8 文件读入有符号字符缓冲区也会产生同样的问题。此外，如果您的 char 已签名，则不能假定 std::string (basic_string) 是有效的 UTF-8 字符串。即使使用 u8，我也看不出这是如何变化的？

【参考方案3】：

C++0x 草案似乎没有说明新的 Unicode 字符类型是有符号还是无符号。但是，正如其他人已经提到的那样，由于没有负 Unicode 代码点，因此将 char16_t 和 char32_t 无符号会更有意义。 （话又说回来，char 无符号是有道理的，但自 70 年代以来我们一直在处理“负”字符。）

此外，由于 UTF-16 的范围从 0x0 到 0xFFFF（忽略代理对），您需要一个无符号 16 位整数的整个范围才能正确表示所有值。至少可以说，如果代码点 0x8000 到 0xFFFF 用char16_t 表示为负数，那会很尴尬。

无论如何，在 C++0x 委员会就此事发表明确意见之前，您始终可以检查您的实现：

#include <type_traits>
#include <iostream>

int main()

    std::cout << std::boolalpha << std::is_signed<char16_t>::value << std::endl;

这会在 Linux 上使用 GCC 4.45 打印出 false。所以至少在一个平台上，新的 Unicode 类型肯定是无符号的。