c - 通过 utf8 多字节字符串向后迭代

Question

我使用了这个函数的一个稍微修改过的版本 is_utf8 https://stackoverflow.com/a/1031773/275677从字符数组中提取 UTF8 序列，返回序列及其中的字节数，以便我可以用这种方式遍历字符串。

不过，我现在想向后迭代字符串 (char *)。执行此操作的最佳方法是什么？

---

我的猜测是尝试将字符串的最后四个、三个、两个和一个字节分类为 utf8(四次)并选择最长的。

但是，utf8 有歧义吗？例如，aaaabb 是否可以解析为 aaaa.bb 也可以(向后)解析为 aa.aabb 其中 aa， aaaa、bb 和 aabb 是有效的 utf8 序列吗？

Answer 1

一个字符串由一系列UTF-8序列组成。所有 UTF-8 序列:

• EITHER 恰好由一个八位字节(字节给你和我)组成，最高位清除

• OR 由一个八位字节组成，其中两个最高位已设置，后跟一个或多个八位字节，其中第 7 位已设置且第 6 位已清除。

参见 http://en.wikipedia.org/wiki/Utf8#Description了解详情。

因此您需要做的是检查相关字符是否设置了第 7 位和清除了第 6 位，如果是，则后退一步，注意不要超出字符串的开头(请注意，如果字符串是格式正确，这不会发生)。

未经测试的 C-ish 伪代码:

char *
findPrevious (const char *ptr, const char *start)
{
    do
    {
        if (ptr <= start)
            return NULL; /* we're already at the start of the string */
        ptr--;
    } while ((*ptr & 0xC0) == 0x80);
    return ptr;
}