关于编码有符号/无符号的Char C问题

我有几次请求解释我的评论。

事实上 char 类型可以默认为有符号或无符号类型,当您比较字符并期望某种顺序时,该类型可以是有意义的。特别是,UTF8使用高位(假设 烧焦 是一种8位类型,这在绝大多数平台中都是正确的),用于指示字符代码点需要表示多个字节。

一个快速而肮脏的问题示例:

#include <stdio.h>
int main( void)
{
    signed char flag = 0xf0;
    unsigned char uflag = 0xf0;

    if (flag < (signed char) 'z') {
        printf( "flag is smaller than 'z'\n");
    }
    else {
        printf( "flag is larger than 'z'\n");
    }    


    if (uflag < (unsigned char) 'z') {
        printf( "uflag is smaller than 'z'\n");
    }
    else {
        printf( "uflag is larger than 'z'\n");
    }
    return 0;
}

在我工作的大多数项目中 烧焦 类型通常是避免的,我们使用typedef显式地指定 unsigned char . 类似于 uint8_t 从 stdint.h 或

typedef unsigned char u8;

一般处理 无符号字符 类型似乎工作得很好,几乎没有问题——我偶尔看到的一个问题是,当使用这种类型的东西来控制循环时:

while (uchar_var-- >= 0) {
    // infinite loop...
}

使用无符号字符有其优点和缺点。最大的好处是,您不会得到符号扩展或其他有趣的功能,如符号溢出,将产生意想不到的计算结果。无符号字符还与<cctype>宏/函数(如isalpha(ch))兼容(所有这些都需要无符号字符范围内的值)。另一方面,所有I/O函数都需要char*,这要求您在执行I/O时进行强制转换。

至于UTF-8,将其存储在有符号或无符号数组中是可以的,但是必须小心使用那些字符串,因为它们不能保证是有效的UTF-8。C++0x添加UTF-8字符串文字,以避免可能出现的问题,我希望下一个C标准也采用这些。

不过,一般来说,只要确保源代码文件始终是UTF-8编码的,就应该没问题。

两件事:

1. char类型是有符号的还是无符号的不会影响您将UTF8编码的字符串转换为您正在使用的任何显示字符串类型(WCHAR或whatnot)的能力。不用担心,换句话说:UTF8字节只是字节,无论你用什么作为编码器/解码器都会做正确的事情。

2. 你的困惑可能是你想这么做:

   unsigned char *string = "This is a UTF8 string";
   

   不要这样做--你在混合不同的概念。UTF-8编码的字符串只是一个字节序列。C字符串文字(如上所述)并不是真正用来表示这个的;它们是用来表示“ASCII编码”字符串的。尽管在某些情况下(像我这里的情况),它们最终是相同的,在你的例子中,它们可能不是。当然在其他情况下也不会。从外部资源加载Unicode字符串。一般来说,我会小心在.c源文件中嵌入非ASCII字符;即使编译器知道如何处理它们,工具链中的其他软件也可能不知道。

有符号/无符号只影响算术运算。如果char是无符号的,那么更高的值将是正值。如果签了字,它们将是否定的。但范围还是一样的。

不是真的, unsigned / signed 不指定一个变量可以容纳多少个值。它指明了它们是如何 解释 .

所以,一个 unsigned char 具有与 signed char ,除了一个有负数而另一个没有。它仍然是8位(如果我们假设 char 有8个位子,我不确定它在哪里都有)。

使用char*作为字符串没有区别。唯一有符号/无符号的时间会产生影响的是,您是将其解释为一个数字,比如算术,还是将其打印为一个整数。

UTF-8 不能假定字符存储在一个字节中。UTF-8字符可以是1-4字节宽。所以,a char , wchar_t , signed 或 unsigned 不足以假设一个单元总是可以存储一个UTF-8字符。

大多数平台(如PHP、.NET等)通常都会构建字符串(如 char[] 在C)中,使用库在编码和解析字符串中的字符之间进行转换。

关于你的问题:

如果我有一个单字符或无符号的字符数组,会不会让我的程序运行错误?德里戈斯卡沃克

对。是我的。下面是我的应用程序中一个简单的可运行的摘录,如果使用普通的签名字符,那么这个摘录就完全错了。 在将所有字符更改为无符号参数后尝试运行它。这样地:

int有效( 未签名 字符c);

然后它应该能正常工作。

#include <stdio.h>

int is_valid(char c);

int main() {

    char ch = 0xFE;
    int ans = is_valid(ch);
    printf("%d", ans);

}

int is_valid(char c) {
    if((c == 0xFF) || (c == 0xFE)) {
    printf("NOT valid\n");
        return 0;
    }
    else {
        printf("valid\n")
        return 1;
    }
}  

它所做的是验证字符是否是utf-8中的有效字节。 0xFF和0xFE在utf-8中不是有效字节。 想象一下,如果函数将其验证为有效字节,会出现什么问题?

发生了什么事:

0xFE
= 
11111110 
= 
254

如果将其保存在普通字符(带符号)中,则最左边的位(最有意义的位)将变为负数。但是它是什么负数呢?

它通过翻转位并添加一位来实现这一点。

11111110
00000001
00000001 + 00000001 =
00000010 = 2

记住它是负的,所以它变成-2

所以函数中的(-2==0xFE)不是真的。

因此,检查无效字节的函数最终会验证未验证的字节,就好像它们是正常的一样:-o。

在处理utf-8时,我还可以想到另外两个坚持使用unsigned的原因:

1. 如果您可能需要向右移位,可能会出现问题,因为如果使用有符号字符,那么您可能会从左侧添加1。

2. utf-8和unicode只使用正数,所以。。。你为什么不呢?保持简单:)