Question

我写了一个 c 代码如下，复制文件。它适用于unicode文件（例如exe，rar），我使用char数据类型数组来复制文件＆＃34; block＆＃34;在那里面。我知道，char data-type只能将1字节存储为扩展ASCII标准。

在fread()函数中，buffer[buflen]变量用作char数组，因为复制了exe文件的块（100字节），然后将buffer[buflen]包含在另一个文件中。如何将unicode字符块存储在char中？为什么这段代码真正适用于unicode个文件而没有任何问题？

copyFile功能：

void copyFile(const char *src, const char *dst)
{
    const int buflen = 100;
    char buffer[buflen];
    long fileSize, curFileSize, offset = 0;
    FILE *r, *w;

    r = fopen(src, "r+b");
    w = fopen(dst, "w+b");

    fseek(r, 0, SEEK_END);
    fileSize = ftell(r);
    fseek(r, 0, SEEK_SET);

    while(fileSize - (curFileSize = ftell(r)) >= buflen)
    {
        fseek(r, offset * buflen, SEEK_SET);
        fread(&buffer, sizeof(buffer), 1, r);
        fwrite(&buffer, sizeof(buffer), 1, w);
        offset++;
    }

    if ((fileSize - curFileSize) != 0)
    {
        fseek(r, (offset - 1) + (curFileSize), SEEK_SET);
        fread(&buffer, fileSize - curFileSize, 1, r);
        fwrite(&buffer, fileSize - curFileSize, 1, w);
    }

    fclose(w);
    fclose(r);
}

entrypoint部分：

int main()
{
    copyFile("e:/1.exe", "e:/2.exe");
    return 0;
}

在char和data-type函数中使用struct char或fread（包含fwrite）的原因是什么？< / p>

感谢大家帮助我。

Answer 1

任何文件，无论编码如何，都只是一个字节序列。 char类型可以存储任何字节，因此您只需将文件字节复制为字节。（char在C和C ++中用作字符类型和能够保存字节的数字类型。这可能令人困惑，但两种用法都是有效的。）

fread和fwrite是根据char指定的，因为它们会读取和写入字节。

Answer 2

嗯，您正在阅读的文件可能是编码，使用utf-8编码，这使得utf字符在U+0000 --- U+007f范围内与它们的ASCII对应物相同（这允许正常阅读，即使您没有UNICODE兼容的阅读器）。 iso-latin-?集中的字符通常映射为两个字符序列，而€字符则映射为三个字符序列或更多。 只要您不修改您正在阅读的数据，存储的数据类型无关紧要 - 开始二进制或文本，或使用的编码---，副本将完全等于原始（或者您将不得不查看您的代码，因为它正在更改副本，使其看起来与原始版本不同）

通常，你不会有任何问题，只要你不打破任何这些序列（这意味着他们聚集到文件中并且你将它们分别写到不同的地方---在副本）这通常不会发生在文件副本中。确定UTF-8或UTF-16字符的开头相对容易，因为可以在数据流中向前或向后识别UNICODE编码中的所有字符。

对于UTF-8，字符由第一个字符组成，该字符编码此字符的字节数，以及n-1个字符的尾部（同样，易于检测）第一个字符将为{ {1}}（0b110xxxxx表示从现在开始的二进制表示中的八位字节）表示两个字节的字符，0b表示三个字节，依此类推，最多0b1110xxxx表示六个字节字节字符）其后的其余字符编码为0b1111110x。如果你继续前进，一旦你使用MSB设置了一个字节，你知道你在多字节序列前面，你必须在第一个0b10xxxxxx之前计算顶部的数量，并且你有数字组成字符的字节。向后看，你首先遇到一个0字符，你必须向后走，直到你得到一个0b10xxxxxx字符，这将是序列中的第一个字符。然后再次使用第一个程序。

在UTF-16中，程序几乎相同。 0b11xxxxxx下的字符编码为一个16位数字，相等或更高的字符使用16位数的代理对进行编码，它们具有以下模式：0x10000表示该对的前16位，第二个是0b110110xxxxxxxxxx。这一次，您需要将0b110111xxxxxxxxxx减去UTF字符编号，然后才能获得两个16位数量的0x10000部分中的x，但过程类似于使用的在utf-8。

在xxxx...编码中，所有字符都存储为32位数量，因此目前还没有多序列编码的计划。所有字符都以32位数量传输。在撰写本文时，标准是V8.0并包含1,114,112个代码点。

当使用另一种UTF编码时，例如，UTF-16，所有字符都被编码为16位数量，例如，如果您在小端架构中读取它们，但是您在大端编写它们时可能会更改体系结构（你应该为每个字符交换两个字节以保存目标体系结构中的UTF值）但是同样可以有一些技巧来处理这个问题（有一个BOM特殊签名，允许检查字节顺序正在使用在数据中）所以，只要你一个字节地复制一个文件，就不会重新排序字符，最终的图像与你之前的图像完全相同，所以不应该关注UTF。

在可变长度编码（utf-5，utf-7，utf-8和utf-16）中，如果您打破映射到实际UTF代码的多个序列之一，则会出现问题，因为这会使解码过程无法识别的字符（它变成非法字符）然后你通常在输出中得到一些特殊字符，表示检测到无效字符。在恒定长度编码（utf-32）中，只有在将文件拆分为32位边界的非倍数时才会得到损坏的字符。

UTF的设计目的是成为存储和发送几乎未绑定的字符集的有效方法，为实现这一点，它将最常见的字符映射（或尝试映射）为一个字节，将长度增加为选择更具体或罕见的字符。

关于UNICODE的主要信息来源是UNICODE FORUM，在那里您可以找到完整UNICODE系列的规格，指南甚至字符图。这里描述了UTF-8，UTF-16和UTF-32编码。对于utf-5和utf-7，您必须按照上述链接。

将包含unicode文件的内容复制到c中的char数组中

2 个答案: