c - 如何比较C中的多字节字符

Question

我尝试解析文本并在其中找到一些字符。我使用下面的代码。它适用于 abcdef 等普通字符，但不适用于 öçşğüı。 GCC 给出编译警告。我应该怎么做才能使用 öçşğüı？

代码:

#include <stdio.h>
#include <ctype.h>
#include <string.h>

int main()
{
    char * text = "öçşğü";
    int i=0;

    text = strdup(text);

    while (text[i])
    {       
        if(text[i] == 'ö')
        {
            printf("ö \n");
        }

        i++;
    }

    return 0;
}

警告:

warning: multi-character character constant [-Wmultichar]
warning: comparison is always false due to limited range of data type [-Wtype-limits]

---

while循环打印char的地址时有10个地址

printf("%d : %p \n", i, text[i]);

输出:

0 : 0xffffffc3 
1 : 0xffffffb6 
2 : 0xffffffc3 
3 : 0xffffffa7 
4 : 0xffffffc5 
5 : 0xffffff9f 
6 : 0xffffffc4 
7 : 0xffffff9f 
8 : 0xffffffc3 
9 : 0xffffffbc 

strlen 为 10。

但是如果我使用abcde:

0 : 0x61 
1 : 0x62 
2 : 0x63 
3 : 0x64 
4 : 0x65 

strlen 为 5。

---

如果我使用 wchar_t 进行文本输出是

0 : 0xa7c3b6c3 
1 : 0x9fc49fc5 
2 : 0xbcc3 

而strlen为10，wcslen为3。

Answer 1

要遍历字符串中的每个字符，可以使用 mblen。您还需要设置正确的语言环境(多字节字符串表示的编码)，以便mblen能够正确解析多字节字符串。

#include <stdio.h>
#include <string.h>
#include <stdlib.h>
#include <locale.h>

int main()
{
    char * text = "öçşğü";
    int i=0, char_len;

    setlocale(LC_CTYPE, "en_US.utf8");

    while ((char_len = mblen(&text[i], MB_CUR_MAX)) > 0)
    {
        /* &text[i] contains multibyte character of length char_len */
        if(memcmp(&text[i], "ö", char_len) == 0)
        {
            printf("ö \n");
        }

        i += char_len;
    }

    return 0;
}

有两种类型的字符串表示，使用多字节(8 位字节)或宽字节(大小取决于平台)。多字节表示的优点是可以使用 char *(代码中的常用 c 字符串)表示，但缺点是多个字节表示一个字符。宽字符串使用 wchar_t * 表示。 wchar_t 的优点是一个 wchar_t 是一个字符(但是正如@anatolyg 指出的那样，在 wchar_t 无法表示所有可能字符的平台上，这一假设仍然可能出错)。

您是否使用十六进制编辑器查看过您的源代码？字符串 "öçşğü" 实际上在内存中由多字节字符串 c3 b6 c3 a7 c5 9f c4 9f c3 bc 表示(UTF-8 编码)，当然是零终止.您看到 5 个字符只是因为该字符串已被支持 UTF-8 的查看器/浏览器正确呈现。很容易意识到 strlen(text) 为此返回 10，而上面的代码只循环了 5 次。

如果您使用宽字节字符串，可以按照@WillBriggs 的说明完成。