我有一个程序使用UTF-8字符串输出文本表，我需要测量字符串使用的等宽字符单元格的数量，以便我可以正确对齐它。如果可能的话，我想用标准函数来做这件事。
答案 0 :(得分：33)
来自UTF-8 and Unicode FAQ for Unix/Linux：
可以使用
mbstowcs(NULL,s,0)以便携方式在C中计算字符数。只要选择了适当的语言环境，这适用于UTF-8，就像任何其他支持的编码一样。计算UTF-8字符串中字符数的硬连线技术是计算除0x80 - 0xBF范围内的所有字节，因为这些只是连续字节而不是它们自己的字符。但是，在应用程序中很少出现计算字符的需要。
答案 1 :(得分：21)
您可能有也可能没有兼容UTF-8的strlen（3）功能。但是，有ome simple C functions readily available可以快速完成工作。
高效的C解决方案检查字符的开头是否跳过连续字节。简单的代码（从上面的链接引用）是
int my_strlen_utf8_c(char *s) {
int i = 0, j = 0;
while (s[i]) {
if ((s[i] & 0xc0) != 0x80) j++;
i++;
}
return j;
}
速度更快的版本使用相同的技术，但预取数据并进行多字节比较，从而实现了大幅加速。但是，代码更长，更复杂。
答案 2 :(得分：6)
我很震惊，没有人提到这一点，所以这里有记录：
如果要在终端中对齐文本，则需要使用POSIX函数wcwidth和wcswidth。这是找到字符串的屏幕长度的正确程序。
#define _XOPEN_SOURCE
#include <wchar.h>
#include <stdio.h>
#include <locale.h>
#include <stdlib.h>
int measure(char *string) {
// allocate enough memory to hold the wide string
size_t needed = mbstowcs(NULL, string, 0) + 1;
wchar_t *wcstring = malloc(needed * sizeof *wcstring);
if (!wcstring) return -1;
// change encodings
if (mbstowcs(wcstring, string, needed) == (size_t)-1) return -2;
// measure width
int width = wcswidth(wcstring, needed);
free(wcstring);
return width;
}
int main(int argc, char **argv) {
setlocale(LC_ALL, "");
for (int i = 1; i < argc; i++) {
printf("%s: %d\n", argv[i], measure(argv[i]));
}
}
以下是它运行的一个例子：
$ ./measure hello 莊子 cＡb
hello: 5
莊子: 4
cＡb: 4
注意两个字符“庄子”和三个字符“cAb”（注意双宽度A）是如何宽4列。
as utf8everywhere.org puts it，
屏幕上显示的字符串大小与 字符串中的代码点数。一个人必须与之沟通 渲染引擎。代码点甚至不占用一列 在等宽字体和终端中。 POSIX考虑到了这一点。
Windows没有用于控制台输出的任何内置wcwidth功能;如果你想在Windows控制台中支持多列字符，你需要找到的可移植实现，因为Windows控制台不支持Unicode而没有疯狂的黑客攻击。wcwidth
答案 3 :(得分：4)
如果您能够使用第三方库，请查看IBM的ICU库：
答案 4 :(得分：3)
以下代码考虑了不正确的字节序列。字符串数据的示例来自Unicode标准6.3中的“"Table 3-8. Use of U+FFFD in UTF-8 Conversion"”。
#include <stdio.h>
#include <stdlib.h>
#include <string.h>
#include <stdbool.h>
#define is_trail(c) (c > 0x7F && c < 0xC0)
#define SUCCESS 1
#define FAILURE -1
int utf8_get_next_char(const unsigned char*, size_t, size_t*, int*, unsigned int*);
int utf8_length(unsigned char*, size_t);
void utf8_print_each_char(unsigned char*, size_t);
int main(void)
{
unsigned char *str;
str = (unsigned char *) "\x61\xF1\x80\x80\xE1\x80\xC2\x62\x80\x63\x80\xBF\x64";
size_t str_size = strlen((const char*) str);
puts(10 == utf8_length(str, str_size) ? "true" : "false");
utf8_print_each_char(str, str_size);
return EXIT_SUCCESS;
}
int utf8_length(unsigned char *str, size_t str_size)
{
int length = 0;
size_t pos = 0;
size_t next_pos = 0;
int is_valid = 0;
unsigned int code_point = 0;
while (
utf8_get_next_char(str, str_size, &next_pos, &is_valid, &code_point) == SUCCESS
) {
++length;
}
return length;
}
void utf8_print_each_char(unsigned char *str, size_t str_size)
{
int length = 0;
size_t pos = 0;
size_t next_pos = 0;
int is_valid = 0;
unsigned int code_point = 0;
while (
utf8_get_next_char(str, str_size, &next_pos, &is_valid, &code_point) == SUCCESS
) {
if (is_valid == true) {
printf("%.*s\n", (int) next_pos - (int) pos, str + pos);
} else {
puts("\xEF\xBF\xBD");
}
pos = next_pos;
}
}
int utf8_get_next_char(const unsigned char *str, size_t str_size, size_t *cursor, int *is_valid, unsigned int *code_point)
{
size_t pos = *cursor;
size_t rest_size = str_size - pos;
unsigned char c;
unsigned char min;
unsigned char max;
*code_point = 0;
*is_valid = SUCCESS;
if (*cursor >= str_size) {
return FAILURE;
}
c = str[pos];
if (rest_size < 1) {
*is_valid = false;
pos += 1;
} else if (c < 0x80) {
*code_point = str[pos];
*is_valid = true;
pos += 1;
} else if (c < 0xC2) {
*is_valid = false;
pos += 1;
} else if (c < 0xE0) {
if (rest_size < 2 || !is_trail(str[pos + 1])) {
*is_valid = false;
pos += 1;
} else {
*code_point = ((str[pos] & 0x1F) << 6) | (str[pos + 1] & 0x3F);
*is_valid = true;
pos += 2;
}
} else if (c < 0xF0) {
min = (c == 0xE0) ? 0xA0 : 0x80;
max = (c == 0xED) ? 0x9F : 0xBF;
if (rest_size < 2 || str[pos + 1] < min || max < str[pos + 1]) {
*is_valid = false;
pos += 1;
} else if (rest_size < 3 || !is_trail(str[pos + 2])) {
*is_valid = false;
pos += 2;
} else {
*code_point = ((str[pos] & 0x1F) << 12)
| ((str[pos + 1] & 0x3F) << 6)
| (str[pos + 2] & 0x3F);
*is_valid = true;
pos += 3;
}
} else if (c < 0xF5) {
min = (c == 0xF0) ? 0x90 : 0x80;
max = (c == 0xF4) ? 0x8F : 0xBF;
if (rest_size < 2 || str[pos + 1] < min || max < str[pos + 1]) {
*is_valid = false;
pos += 1;
} else if (rest_size < 3 || !is_trail(str[pos + 2])) {
*is_valid = false;
pos += 2;
} else if (rest_size < 4 || !is_trail(str[pos + 3])) {
*is_valid = false;
pos += 3;
} else {
*code_point = ((str[pos] & 0x7) << 18)
| ((str[pos + 1] & 0x3F) << 12)
| ((str[pos + 2] & 0x3F) << 6)
| (str[pos + 3] & 0x3F);
*is_valid = true;
pos += 4;
}
} else {
*is_valid = false;
pos += 1;
}
*cursor = pos;
return SUCCESS;
}
当我为UTF-8编写代码时，我在Unicode标准6.3中看到“表3-7。格式良好的UTF-8字节序列”。
Code Points First Byte Second Byte Third Byte Fourth Byte
U+0000 - U+007F 00 - 7F
U+0080 - U+07FF C2 - DF 80 - BF
U+0800 - U+0FFF E0 A0 - BF 80 - BF
U+1000 - U+CFFF E1 - EC 80 - BF 80 - BF
U+D000 - U+D7FF ED 80 - 9F 80 - BF
U+E000 - U+FFFF EE - EF 80 - BF 80 - BF
U+10000 - U+3FFFF F0 90 - BF 80 - BF 80 - BF
U+40000 - U+FFFFF F1 - F3 80 - BF 80 - BF 80 - BF
U+100000 - U+10FFFF F4 80 - 8F 80 - BF 80 - BF
答案 5 :(得分：1)
您还可以使用glib，这样可以在处理UTF-8时更轻松。 glib reference docs