Question

接下来的情况：我有西里尔文符号“б”。运行下一个代码：

int main() {
    char c;
    scanf("%c", &c);
    printf("%d\n", c);
    return 0;
}

显示-48。但是，当我调试此变量c时，下一个显示给我：-48 '\320' 。

那么这如何工作？这是2长度数组的指针吗？或者它如何存储两个数字？

Answer 1

char变量既可以用于存储小的¹整数，也可以用于存储一些定义不太明确的字符（更恰当的说是代码单元），通常是-基于ASCII的编码。在这里，调试器仅试图通过显示c内容的两个（有争议的）有意义的表示来提供帮助。

让我们想象一下，您实际上写了a而不是б；在这种情况下，调试器将编写类似

的内容

c = {char} 97 'a'

因为存储在c中的实际数字是97，并且被解码为ASCII，所以它对应于字母a。

不幸的是，您可以将所有可能的字符放入单个8位char值的想法是完全错误的，因此，当今使用最广泛的编码（UTF-8）恰好是在您的计算机上使用，需要多个代码单位（≈字节）来表示单个代码点（≈逻辑字符）（更多详细信息in this question）。特别地，б表示为一个两个字节的字符串，即字节0xD0和0xB1。

C对UTF-8或代码点一无所知；如果您将%c指定为scanf，则它将读取单个字节，而不管它是否足以表示完整的UTF-8代码点。因此，仅读取了其中的第一个字节，c仅包含0xD0值； 0xB1仍在缓冲区中，尚待读取。

回到调试器显示的值，首先必须注意，在您的平台上（不幸的是，在许多平台上），char已签名。因此，0xD0字节被解释为带符号的值-48（实际上，0xD0 = 208，在127处“环绕”； 208-256 = -48）。

对于'\320'：此处的调试器希望显示该值的ASCII表示形式；但是，字节0xD0在ASCII字符范围²之外，因此此处以转义序列显示。您可能熟悉'\n'代表换行符，或者\0代表NUL字符；通常，\后跟C中的一到三位表示具有相应 octal 值的字节； 0320实际上对于208是八进制的，对于0xD0是十进制的。

因此，这里没有什么神秘之处：c仍然包含一个值（仅是您字符的“一半”）；您所看到的只是其内容的两种（相当不便）表示。

注释

在大多数平台上，[{-128，127]或[0，255]，取决于char的签名（不幸的是，它是实现定义的）。
实际上，UTF-8 扩展 ASCII码，其多字节序列仅使用设置了高位（未使用ASCII）的字节；这样可以确保它们不会被误解为ASCII文本。

Answer 2

[使用utf-8的西里尔字符为多字节 char。您的十六进制“字符”是字符串/数组：

D0B1

因此，您不能使用%c来检索它。您需要使用%s：

#include <stdio.h>

int
main(void)
{
    char utf[1000];
    char *cp;

    scanf("%s", utf);
    printf("%s\n", utf);

    for (cp = utf;  *cp != 0;  ++cp)
        printf(" %2.2X",*cp & 0xFF);
    printf("\n");

    return 0;
}

以下是输出：

б
 D0 B1

更新：

那么，该char如何在内存中定位？西里尔字母C能否使char变为2字节？

首先，请参见：https://en.wikipedia.org/wiki/UTF-8

当您通过键盘输入西里尔字母时，它是键盘硬件，终端仿真器程序和文本编辑器的组合，可以将键盘序列转换为utf-8序列，并最终存储在您的文本文件中正在编辑。

您所说的西里尔字符是utf-8所称的“代码点”。

放置在文本文件中时，代码点将变为多字节序列，如上所述。

scanf和printf对此一无所知。例如，printf仅发送字符串：XXXXXXX\0，其中X可以是单个ASCII字符或多字符代码点的一部分。

这取决于终端仿真器并从utf-8字体集中输出正确的字符（该字体集包含西里尔字符，希腊字符，法语字符等）

strlen和strcpy之类的功能 only 关心尾随的0x00 EOS字符。因此，从技术上讲，它们可以正常工作，并且通常可以像通过EOS一样容易地通过utf-8字符串和ASCII一样通过。

但是，strlen将为您提供字符串中char的数量。例如，在上面的strlen中将返回2，因为它将D0和B1作为char数组中单独的char值进行计数。

而且，strchr [可能]不起作用。您可能想在strstr的地方使用utf-8。

当然，其中的西里尔字符只有一个代码点，因此utf-8感知功能必须以不同的方式处理数组。例如，在计算代码点数时，他们需要查看D0B1是一个单个代码点，因此结果计数为一个

一般规则是ASCII（0x01-0x7F）作为单个utf-8直接映射到char。设置了高位（0x80）的任何内容都是utf-8多字节代码点的一部分。 0x40用于指示序列的 start [最左侧]字节。序列中所有其余字节的格式（以位为单位）：10xxxxxx。序列中剩余字节的数量由起始字节中前缀1位的数量表示。在下表中，它显示了如何解码字节序列（x表示代码点值的一部分）：

# of    Start       Remaining Bytes
bytes   Byte
1       0xxxxxxx
2       110xxxxx    10xxxxxx
3       1110xxxx    10xxxxxx    10xxxxxx
4       11110xxx    10xxxxxx    10xxxxxx    10xxxxxx

因此，utf-8感知功能可以在向前或向后扫描时检测并跳过代码点。并且，可以区分两个[或更多]相邻的多字节代码点。

char如何存储两个数字？

2 个答案: