UTF-8，Unicode以及机器如何解释字节？

Question

我已经意识到以下几点：

  

  
1. Unicode字符可以表示为最多4个字节的序列。因此，如果一个字符用两个或多个字节表示 - 字节排序   对于BEM或LEM来说很重要
  
2. UTF-8逐字节（不是多字节写入或读取）将字节写入文件/网络流，这意味着一个字符是   以两个或多个字节表示，而编码则写入一个字节   时间。然后，在解码它时，BEM或LEM无关紧要   正确读回字节，并且在写入时不会交换它们   读。
   
  
3. UTF-16或UTF-32在编码时总是使用两个或四个字节，因此LEM或BEM现在真的很重要，因为多字节读/写。
  
4. 另外，我理解UTF-8如何知道在从文件读取时将字节解释为字符（解码）。
  

因此。这是一个例子：

我在C ++中声明并初始化String变量为"ANФГ"。
的问题。

1. 在C ++中char是一个字节的字符数据类型。 String类基于C ++中的char[]？
2. 我可以这样声明一个String变量吗？ UTF-8编码是默认的吗？
3. 我决定将此字符串写入文件。该字符串应表示为A - 一个字节，B - 一个字节，Ф - 两个字节序列，Г - 两个字节序列。它将如何存储在String和文件中？这些6个字节的附加内容是什么？
4. 如何从有关BEM和LEM的文件中读取？ C ++知道存储这些字节的内存中的地址顺序？

  

EDIT_1：我不明白一件事。如果我有三个字节：    - 1000 1111    - 1100 0000    - 0100 0000   第一个和第二个代表UTF-8中的一个字符，第三个代表一个字符。   我在上面写的字节顺序。   每个字节都有自己的地址，对吧？   但是当多字节写入发生时，两个字节存储在一个地方？我的意思是，任何输出流按顺序从左到右写入数据？那么它也会从左到右回读？因为LEM或BEM交换字节..但是当它是多字节写入时。但是当我们一次只写一个字节时，它从左到右有自己正确的顺序吗？

Answer 1

1. 是的，std::string（或更确切地说，std::basic_string<char>）使用char来存储其数据。它与编码无关，因此如果您例如调用size()，您将获得表示字符串的实际char个数，而不是字符数或代码点数。
2. 不，字符串文字的编码是实现定义的。从C ++ 11开始，您可以使用u8前缀来获取UTF-8 string literals（例如u8"ANФГ"）。
3. 如果您始终使用UTF-8字符串文字，则std::string将包含UTF-8，如果您使用的是UTF-8，则会将UTF-8写入文件。 operator<<()。
4. C ++不会跟踪您的文件所处的任何字符编码（因此也不会跟踪其字节序）。如果您恰好使用UTF-8端到端，则自UTF-8 is endianness-independent以来，字节顺序无关紧要。