Question

我有一小段代码：

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

wchar_t widec('€');
wchar_t widecl(L'€');
std::string tc("€");

int main(int argc, char *argv[])
{
    printf("printf as hex - std::string tc(\"€\") = %x %x %x\n\r", tc.c_str()[0], tc.c_str()[1], tc.c_str()[2]);
    printf("printf as hex - wchar_t widec('€') = %x\n\r", widec);
    printf("printf as hex - wchar_t widecl(L'€') = %x\n\r", widecl);

    return 0;
}

输出：

printf as hex - std::string tc("€") = ffffffe2 ffffff82 ffffffac
printf as hex - wchar_t widec('€') = e282ac
printf as hex - wchar_t widecl(L'€') = 20ac

我不明白两件事。

为什么tc.c_str()（其[0]，[1]和[2]索引准确无误）打印为UTF-8，看起来像UTF-16/32领先FF字节？
为什么初始化相同的wchar_t变量会产生不同的输出，具体取决于是否使用L前缀，即。使用它似乎产生UTF-16/32内容和没有L前缀的UTF-8，为什么会这样？

Answer 1

没有显式符号说明符的char是signed或unsigned，具体取决于编译器。该标准没有规定默认类型，它是编译器供应商的选择。

将char传递给print()会将值从8位扩展到32位。然后%x打印该32位值的位，默认忽略前导零（除非您在%x上使用长度说明符来保留它们）。 8位值如何扩展到32位取决于它的实际类型。

在您的情况下，您看到的额外f是由于char值为符号扩展。 0xEx，0x8x和0xAx的高位均为1，因此1用于在扩展期间填充高24位。这意味着您的编译器将char实现为signed类型，并将值扩展为signed int。您可以手动将char值类型转换为unsigned，以强制它们零扩展：
```
printf("printf as hex - std::string tc(\"€\") = %x %x %x\n",
       (unsigned char) tc[0], (unsigned char) tc[1], (unsigned char) tc[2]);
```
（请注意，我删除了c_str()的使用，在您的示例中没有必要）
'€'和"€"没有任何前缀的解释取决于源文件保存的编码，以及编译器配置为运行的编码。

无前缀'€'和"€"文字可以是UTF-8的唯一方法是，如果您的源代码文件以UTF-8保存（强制使用UTF-8文字，您可以在C ++ 11及更高版本中使用u8前缀。以不同的编码保存文件，您将看到不同的结果。然后，该解释的结果按原样分配给tc，并按wchar_t编码为widec。

另一方面，L前缀迫使编译器将L'€'解释为宽文字而不是狭义文字，因此不应该如何解释它。它知道文字是Unicode，因此它确定了Unicode代码点值，然后将其编码为wchar_t值（wchar_t在Windows上为16位，在其他平台上为32位）在{ {1}}。 widecl的Unicode代码点为U+20AC EURO SIGN。

为什么unicode char在std :: string中存储为UTF-8，在wchar_t中存储为UTF-16/32？

1 个答案: