除了使用字符串文字之外，还有其他方法可以在 C 中指定或输入 Unicode 代码点吗？

Posted 2023-02-24

【中文标题】除了使用字符串文字之外，还有其他方法可以在 C 中指定或输入 Unicode 代码点吗？

【英文标题】：Are there other ways to specify or enter a Unicode code point in C other than using string literals?

【发布时间】：2021-08-11 18:11:09

【问题描述】：

在以下程序中，我尝试将 Unicode 代码点作为数组字符串而不是字符串文字提供给 ncurses 函数 setcchar()。然而，我得到的输出只是数组的第一个字符，即反斜杠字符。

除了作为字符串文字之外，还有其他方法可以指定 Unicode 代码点吗？为什么这两个表达式 L"\u4e09" 和 wcsarr 在这种情况下不会产生相同的结果...

#define _XOPEN_SOURCE_EXTENDED 1
#include <curses.h>
#include <stdio.h>
#include <stdlib.h>
#include <locale.h>
#include <wchar.h>
#include <time.h>

int main() 
  setlocale(LC_ALL, "");
  cchar_t kanji;
  wchar_t wcsarr[7];

  wcsarr[0] = L'\\';
  wcsarr[1] = L'u';
  wcsarr[2] = L'4';
  wcsarr[3] = L'e';
  wcsarr[4] = L'0';
  wcsarr[5] = L'9';
  wcsarr[6] = L'\0';

  initscr();

  setcchar(&kanji, wcsarr, WA_NORMAL, 5, NULL);
  addstr("Code point entered as an array string: ");
  add_wch(&kanji);
  addstr("\n");

  setcchar(&kanji, L"\u4e09", WA_NORMAL, 5, NULL);
  addstr("Code point entered as a string literal: ");
  add_wch(&kanji);
  addstr("\n");
  
  refresh();
  getch();
  endwin();

  return EXIT_SUCCESS;

【问题讨论】：

他们没有产生相同的结果，因为它们是两个不同的字符串？一个有六个代码点，一个有一个 CP。

不幸的是，宽字符是否使用 Unicode 取决于系统。

【参考方案1】：

包含六个字符\u4e09 的数组是包含六个字符的数组，就像包含一个反斜杠后跟一个n 的数组是一个包含两个字符的数组，而不是一个换行符。 编译器 将转义序列转换为文字。没有任何东西（除了你自己写的）对字符数组有任何作用。

所以您的数组wcsarr 不是单个宽字符。它是一个（以空结尾的）宽字符串，使用六个 wchar_t 值来编码六个 ascii 字符。 setcchar 要求它的第二个参数只包含一个空格字符（可能后跟几个非空格组合字符），并且您的程序不符合此规范。

你可以这样做：

wchar_t wcsarr[] = 0, 0;
wcsarr[0] = L'\u4e09`;

如果您知道您的语言环境使用 Unicode 代码点作为宽字符代码，您可以这样写：

wcsarr[0] = 0x4e09;

因为wchar_t 和char 一样，都是整数类型。如果您需要计算字符代码（例如非拉丁数字），这有时会很有用，但通常认为使用宽字符文字会更好。

如果您确实需要解码包含转义序列的字符串，则需要验证语法是否正确，然后使用 strtol 之类的内容，并将基本参数设置为 16。但是请注意，@ 987654330@ 没有任何机制将其参数限制为精确的四位数字，因此如果转义序列出现在文本中，并且后面可能跟着看起来像十六进制数字的内容，您将不得不以某种方式提取它。将其复制到临时缓冲区，或者如果字符串可以修改，则以空值终止它。或者您可以编写自己的十六进制解码器；不难。