c++ - 在 C++ 源代码中使用重音字符是不是很糟糕？

Question

我希望我的程序尽可能便携。我在字符串中搜索重音字符，例如è.这可能是个问题吗？是否有等效于 HTML 实体的 C++？

它将在 switch 语句中使用，例如:

switch(someChar) //someChar is of type char
{
   case 'é' :
        x = 1;
        break;
   case 'è' :
   ...
}

Answer 1

在 C++ 源代码中使用非 ASCII 字符的主要问题是编译器必须知道用于源代码的编码。如果源是 7 位 ASCII，那么它通常无关紧要，因为大多数编译器默认情况下都假定 ASCII 兼容编码。

此外，并非所有编译器都可以在编码方面进行配置，因此两个编译器可能会无条件地使用不兼容的编码，这意味着使用非 ASCII 字符可能会导致源代码无法与两者一起使用。

GCC:具有用于设置源、执行和广泛执行编码的命令行选项。默认值由区域设置设置，这些天通常使用 UTF-8。

MSVC:使用所谓的“BOM”来确定源编码(介于 UTF-16BE/LE、UTF-8 和系统区域设置编码之间)，并且始终使用系统区域设置作为执行编码。 编辑:从 VS 2015 Update 2 开始，MSVC 支持编译器切换来控制源和执行字符集，包括对 UTF-8 的支持。 see here

Clang:始终使用 UTF-8 作为源和执行编码

因此，请考虑如果要搜索的字符串是 UTF-8(可能是因为执行字符集是 UTF-8)，那么您的代码在搜索重音字符时会发生什么情况。无论字 rune 字 'é' 是否按您的预期工作，您都不会找到重音字符，因为重音字符不会由任何单个字节表示。相反，您必须搜索各种字节序列。

C++ 允许在字符和字符串文字中使用不同类型的转义。通用字符名称允许您指定一个 Unicode 代码点，并且将完全按照该字符出现在源代码中的方式进行处理。例如 \u00E9或 \U000000E9 .

(其他一些语言有 \u 来支持高达 U+FFFF 的代码点，但缺乏 C++ 对超出此范围的代码点的支持，或者让您使用代理代码点。您不能在 C++ 中使用代理代码点，而 C++ 有\U 变体来支持直接所有代码点。)

UCN 也应该在字符和字符串文字之外工作。在此类文字之外，UCN 仅限于不在基本源字符集中的字符。然而，直到最近，编译器还没有实现这个 (C++98) 特性。现在 Clang 似乎有相当完整的支持，MSVC 似乎至少有部分支持，GCC 声称通过选项 -fextended-identifiers 提供实验性支持。 .

回想一下，UCN 应该与源中出现的实际字符一视同仁；因此，具有良好 UCN 标识符支持的编译器还允许您使用实际字符简单地编写标识符，只要编译器的源编码首先支持该字符。

C++ 还支持十六进制转义。这些是\x 后跟任意数量的十六进制数字。十六进制转义将表示单个整数值，就好像它是具有该值的单个代码点，并且不会对该值进行到执行字符集的转换。如果您需要表示独立于编码的特定字节(或 char16_t、或 char32_t、或 wchar_t)值，那么这就是您想要的。

还有八进制转义，但它们不如 UCN 或十六进制转义那么有用。

以下是在使用 ISO-8859-1 或 cp1252 编码的源文件中使用“é”时 Clang 显示的诊断信息:

warning: illegal character encoding in character literal [-Winvalid-source-encoding]
    std::printf("%c\n",'<E9>');
                       ^

Clang 仅将此作为警告发出，并且将直接输出带有源字节值的 char 对象。这样做是为了与非 UTF-8 源代码向后兼容。

如果您使用 UTF-8 编码的源代码，那么您会得到:

error: character too large for enclosing character literal type
    std::printf("%c\n",'<U+00E9>');
                       ^

Clang 检测到 UTF-8 编码对应于 Unicode 代码点 U+00E9，并且该代码点超出了单个字符可以容纳的范围，因此报告错误。 (Clang 也会对非 ASCII 字符进行转义，因为它确定运行它的控制台无法处理打印非 ASCII 字符)。