- c - 在位数组中找到第一个零
- linux - Unix 显示有关匹配两种模式之一的文件的信息
- 正则表达式替换多个文件
- linux - 隐藏来自 xtrace 的命令
我正在开发一个必须处理 UTF8 文本的跨平台 C(C89 标准)应用程序。我只需要基本的字符串操作函数,如 substr
、first
、last
等。
问题一
有没有实现上述功能的UTF8库?我已经研究过 ICU,它对我的要求来说太大了。我只需要支持 UTF8。
我找到了一个 UTF8 解码器 here .以下函数原型(prototype)来自该代码。
void utf8_decode_init(char p[], int length);
int utf8_decode_next();
初始化函数采用字符数组,但 utf8_decode_next()
返回 int
。这是为什么?如何使用 printf
等标准函数打印此函数返回的字符?该函数正在处理字符数据,如何将其分配给整数?
如果上面的解码器不适合生产代码,你有更好的推荐吗?
问题二
阅读文章时我也感到困惑,因为您需要使用 wchar_t
来获得 unicode。据我了解,这不是必需的,因为普通的 C 字符串可以保存 UTF8 值。我通过查看 SQLite 和 git 的源代码验证了这一点。 SQLite 具有以下类型定义。
typedef unsigned char u8
我的理解对吗?还有为什么需要 unsigned char
?
最佳答案
utf_decode_next()
函数返回下一个 Unicode 代码点。由于 Unicode 是 21 位字符集,因此它不能返回小于 int
的任何内容。 ,并且可以说从技术上讲,它应该是一个 long
自从 int
可以是 16 位数量。实际上,该函数会返回一个 UTF-32 字符。
您需要查看 C89 的 C94 宽字符扩展以打印宽字符( wprintf()
、 <wctype.h>
、 <wchar.h>
)。但是,单独的宽字符并不能保证是 UTF-8 甚至 Unicode。您很可能无法打印 utf8_decode_next()
中的字符便携,但这取决于您的便携性要求是什么。您必须移植到的系统范围越广,所有系统都能简单工作的可能性就越小。在您可以编写可移植的 UTF-8 的范围内,您可以将 UTF-8 字符串(不是从 utf8_decode_next()
获得的 UTF-32 字符数组)发送到常规打印函数之一。 UTF-8 的优势之一是它可以被大部分不了解它的代码操纵。
你需要明白一个 4 字节的 wchar_t
可以在单个单元中保存任何 Unicode 代码点,但是 UTF-8 可能需要 1 到 4 个 8 位字节(1-4 个存储单元)来保存单个 Unicode 代码点。在某些系统上,我相信 wchar_t
可以是 16 位 ( short
) 整数。在这种情况下,您被迫使用 UTF-16,它使用两个存储单元和代理对基本多语言平面(BMP,代码点 U+0000 .. U+FFFF)之外的 Unicode 代码点进行编码。
使用 unsigned char
让生活更轻松;普通 char
经常被签到。负数让生活变得比我需要的更困难(而且,相信我,这已经足够困难而不增加复杂性)。
关于c - 跨平台 C 应用程序的 UTF8 支持,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/4501621/
UTF-8、UTF-16 和 UTF-32 之间有何区别? 据我所知,它们都将存储 Unicode,并且每个都使用不同数量的字节来表示字符。选择其中之一是否有优势? 最佳答案 当 ASCII 字符代表
好的。我知道这看起来像典型的“他为什么不直接用谷歌搜索或去 www.unicode.org 查一下?”问题,但对于这样一个简单的问题,在检查了两个来源后,我仍然无法回答。 我很确定这三种编码系统都支持
是否存在可以用 UTF-16 编码但不能用 UTF-8 编码的字符 最佳答案 没有。 UTF-* 是可以对全范围 Unicode 字符进行编码的编码。 编码之间的差异在于每个字符使用多少字节。 关于u
是否存在可以用 UTF-16 编码但不能用 UTF-8 编码的字符 最佳答案 没有。 UTF-* 是可以对全范围 Unicode 字符进行编码的编码。 编码之间的差异在于每个字符使用多少字节。 关于u
UTF-16 是一种双字节字符编码。交换两个字节的地址将产生 UTF-16BE 和 UTF-16LE。 但我发现在 Ubuntu gedit 文本编辑器中存在名称 UTF-16 编码,以及 UTF-1
我想将 UTF-16 字符串转换为 UTF-8。我通过 Unicode 发现了 ICU 库。我在转换时遇到问题,因为默认设置是 UTF-16。我试过使用转换器: UErrorCode myError
UTF-16 需要 2 个字节,UTF-8 需要 1 个字节。 而USB是面向8bit的,UTF-8更自然。 UTF-8 向后兼容 ASCII,而 UTF-16 则不然。 UTF-16 需要 2 个字
我对将 unicode 字符转换为十六进制值有点困惑。 我正在使用这个网站获取字符的十六进制值。 ( https://www.branah.com/unicode-converter ) 如果我输入“
我已经用UTF-8编码创建了一个文件,但是我不了解其在磁盘上占用的大小的规则。这是我的完整研究: 首先,我创建了一个带有印地语字母“'”的文件,Windows 7上的文件大小为 8个字节。 现在带有两
如何将WideString(或其他长字符串)转换为UTF-8中的字节数组? 最佳答案 这样的功能将满足您的需求: function UTF8Bytes(const s: UTF8String): TB
我有一个奇怪的验证程序,用于验证utf-8字符串是否是有效的主机名(PHP中的Zend Framework主机名valdiator)。它允许IDN(国际化域名)。它将比较每个子域与由其十六进制字节表示
在 utf16 和 utf32 中,一个字节的零是否意味着空?就像在 utf8 中一样,还是我们需要 2 个和 4 个字节的零来相应地在 utf16 和 utf32 中创建 null? 最佳答案 在
这是基于我的观察,对于 mysql,默认字符集 utf8 有点误导,它不支持完整的 Unicode,因为它无法存储四字节 UTF-8 编码的字符。它实际上是 utf8mb4 字符集,它是完整的 Uni
我只有处理 ASCII(单字节字符)的经验,并且阅读了很多关于人们如何以不同方式处理 Unicode 的帖子,这些帖子提出了他们自己的一系列问题。 此时我对 Unicode 的了解非常有限,我读到过U
我明白 std::codecvt在 C++11 中执行 UTF-16 和 UTF-8 之间的转换,并且 std::codecvt执行 UTF-32 和 UTF-8 之间的转换。是否可以在 UTF-8
我正在编写一个 HTTP 服务器并使用 trivial-utf-8:write-utf-8-bytes 来响应请求。我听说Babel就像trivial-utf-8但效率更高,所以我想试一试。搜索了一段
我正在设计一个新的 CMS,但想要设计它来满足我 future 的所有需求,比如多语言内容,所以我认为 Unicode (UTF-8) 是最好的解决方案 但是通过一些搜索我得到了这篇文章 http:/
例如,假设我在字符串中有以下 xml: 如果我尝试将其插入到带有 Xml 列的 SQL Server 2005 数据库表中,我将收到以下错误(我使用的是 EF 4.1,但我认为这无关紧要): XM
我正在使用 Python CSV 库读取两个 CSV 文件。 一种使用 UTF-8-BOM 编码,另一种使用 UTF-8 编码。在我的实践中,我发现使用“utf-8-sig”作为编码类型可以读取这两个
假设我的数据库设置如下以使用 utf-8(mysql 中的完整 4mb 版本) mysql_query("SET CHARACTER SET utf8mb4"); mysql_query("SET N
我是一名优秀的程序员,十分优秀!