Visual C++：越野车 towupper

Posted 2023-02-22

【中文标题】Visual C++：越野车 towupper

【英文标题】：Visual C++: buggy towupper

【发布时间】：2014-02-12 07:58:13

【问题描述】：

给定以下代码：

#include <iostream>
#include <cwctype>
#include <clocale>

int main()

    wchar_t c = L'\u00ff'; // ÿ LATIN SMALL LETTER Y WITH DIAERESIS
                // → 0178 Ÿ latin capital letter y with diaeresis

    std::cout << std::hex << std::showbase;
#ifdef WIN32
    const char * lcc = setlocale(LC_ALL, "English");
#else
    const char * lcc = std::setlocale(LC_ALL, "en_US.cp1252");
#endif
    if(lcc) 
        std::cout << "set locale: " << lcc << std::endl;
        std::cout << "towupper(" << (std::wint_t)c << ") = " << towupper(c) << '\n';
     else 
        std::cout << "failed to set locale" << std::endl;
    

如果我在 Visual Studio 2010（也是 2013）中编译并运行它，结果是：

set locale: English_United States.1252
towupper(0xff) = 0x9f

在带有 gcc 的 Linux 上：

set locale: en_US.cp1252
towupper(0xff) = 0x178

towupper 的结果在两个平台上是不同的，linux/gcc 给出的答案对我来说似乎是正确的，因为 0x178 (Ÿ) 是 0xff (ÿ) 的正确大写 Unicode 代码点。

不过，0x9f 也是 Ÿ 的代码点，但在使用的 Windows-1252 代码页中。所以看起来好像 Visual C 的 towupper 会将输入视为窄字符，并根据预设的代码页进行解释。

就我的理解而言，宽字符应始终被解释为 Unicode 码位，在 Windows/VC 上为 UTF-16，在 Linux/gcc 上为 UTF-32。我在这里错了吗，或者它真的是微软实施中的一个错误？还是只是在这种情况下规范不够严格，两者都可以视为正确的结果？

【问题讨论】：

您将语言环境明确设置为 CP1252，这是一种 8 位编码。如果有的话，我会说异常版本是 Linux 版本，因为在 0xff 之外应该没有可用的字符（而且你会为 wstring 中的每个字符浪费至少 1 个字节）。

记录在案的 MSVC CRT 行为：“towupper 的大小写转换是特定于区域设置的”。对于 Linux：“这个函数不太适合处理 Unicode 字符”。

@user846250 据我了解，towupper 应该将输入视为 Unicode 代码点，因此不根据任何代码页对其进行解释。所以语言环境的代码页设置应该是无关紧要的。有一个 toupper 变体（没有'w'）应该根据代码页解释输入。

@HansPassant 这可能是一个原因，因为它没有详细说明依赖于 towupper 语言环境的术语。但我认为它的语言环境依赖性是正确处理土耳其点和无点 i：I/ı 和 İ/i 等情况，而不是英语 I/i 大写/小写对。而且，Unicode 代码点 U+009F 是一个控制字符，不应该是任何其他字符的大写对。

您认为 C 语言适合 Unicode 的假设是错误的。这不可避免地会让某些人感到不安，ISO 委员会倾向于发现更容易给每个人带来不便。使用 ICU。

【参考方案1】：

从问题上的cmets看来，似乎没有“真正”的解决方案； C 或 C++ 标准在字符编码方面不够严格，因此我们无法对区域设置敏感的结果抱有真正的期望。

对于我在 Windows 上的特定用例，CharUpperW 被证明是一个可行的选择，尽管它取决于平台。