c - 如何确定文件是否包含类似 UTF-8 的字符

Question

我正在尝试编写一个程序，它将一个文件作为输入，迭代该文件，然后检查该文件是否包含 UTF-8 编码的字符。

但是我不确定如何处理 UTF-8 编码的问题。我理解编码背后的基本概念，它可以存储在 1-4 个字节中，其中 1 个字节只是 ASCII 表示 (0-127)。

1字节:0xxxxxxx

对于其余部分，我认为模式是这样的:

2字节:110xxxxx 10xxxxxx

3字节:1110xxxx 10xxxxxx 10xxxxxx

4字节:11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

但是，我很难理解如何在 C 代码中实现它。我知道我将如何迭代文件，并在 UTF-8 编码的谓词成立时执行某些操作:

while ((check = fgetc(fp)) != EOF) {
        if (*) {
        // do something to the code
    }
}

但是，我不确定如何实际修改 UTF-8 编码并将其实现为 C(或任何没有内置函数的语言，例如 C# UTF8Encoding)。

作为一个使用与 ASCII 类似的逻辑的简单示例，我将迭代每个字符(指向检查变量)并验证它是否在 ASCII 字符限制内:

if (check >= 0 && check <= 127) {
    // do something to the code
}

只有在尝试确定检查变量是否指向 UTF-8 编码字符时，谁能尝试向我解释我将如何使用类似的逻辑？

Answer 1

if ( (ch & 0x80) == 0x0 ) {
  //ascii byte
}
else if ( (ch & 0xe0) == 0xc0 ) {
  // 2 bytes
}
else if ( (ch & 0xf0) == 0xe0 ) {
 // 3 bytes
}
else if ( (ch & 0xf8) == 0xf0 ) {
  // 4 bytes
}

您想要按位 & 前 x 位并检查前 x-1 位是否为 1。它有助于以二进制形式写出数字并进行后续操作。