C11中的Unicode


在C11（ISO/IEC 9899:2011）标准中引入了对UTF8、UTF16以及UTF32字符编码的支持。

其中，UTF8字符直接通过char来定义，字面量前缀使用u8。比如：

char c = u8'你';
const char *s = u8"你好";

而UTF16字符直接通过char16_t来定义，字面量前缀使用u。比如：

#include <uchar.h>

char16_t c = u'你';
const char16_t *s = "你好";

而UTF32字符直接通过char32_t来定义，字面量前缀使用U。比如：

#include <uchar.h>

char32_t c = U'你';
const char32_t *s = U"你好";


在使用char16_t以及char32_t的时候必须包含头文件<uchar.h>。除此之外，C11标准中还添加了诸如wsprintf、wfprintf、vwprintf、wprintf等宽字符函数。不过这些函数的字符串都是const wchar_t*类型的，即宽字符指针类型。而对于Unicode字符的显示是各家平台自己实现的。在OS X以及iOS中，至今（Apple LLVM 6.0）还没完美地支持这一C11特性，但是UTF8、UTF16以及UTF32字面量都已经支持了，尽管系统本身不支持对UTF32编码格式的解析。另外，也没有包含<uchar.h>头文件。不过，我们可以使用Foundation库自带的unichar类型来代替char16_t。另外，printf函数不支持对UTF16编码字符的打印，若要打印UTF16字符或字符串，只能用Foundation里的NSLog函数。

下面举些例子：

#include <stdio.h>
#include <wchar.h>

- (void)viewDidLoad
{
    [super viewDidLoad];
    // Do any additional setup after loading the view, typically from a nib.
   
    const char *s = u8"你好，世界！";
    printf("此UTF-8字符串为: %s\n", s);
   
    unichar ch = u'你';
    const unichar *us = u"好，世界！";
    NSLog(@"该UTF16是：%C%S", ch, us);
   
    wprintf(L"iOS does not support for printing wide-character unicodes!\n");
}

 


在NSString字符串格式中，%C对应类型为unichar（实际为unsigned short）的UTF16编码字符；%S对应类型为const unichar*，即UTF16编码的字符串。


由于OS X以及iOS所用的LLVM Clang编译器没有引入C11标准的<uchar.h>，因此有些UTF8与UTF16字符串的标准转换函数在这些环境下均无法支持，我们只能通过Foundation库的NSString来解决。不过，如果在Linux下，我们使用GCC4.8或更高版本的话，那么就能使用标准的C11提供的转换函数了。不过在标准C语言中，printf、puts这类打印函数只支持对UTF-8编码格式的字符串的正确打印，因此我们要输出的话需要把UTF-16编码的字符串转为UTF-8。下面介绍在标准C11情况下如果操作UTF-8、UTF16字符串，它们之间的相互转换以及打印输出。

 

#include <stdio.h>
#include <uchar.h>

size_t UTF16StrLen(const char16_t *utf16String)
{
    if(utf16String == NULL)
        return 0;

    size_t index;
    for(index = 0; utf16String[index] != u'\0'; index++);
    return index;
}

size_t UTF16ToUTF8(char *mbBuffer, const char16_t *utf16String)
{
    if(mbBuffer == NULL || utf16String == NULL)
        return 0;
       
    mbstate_t state = { };
       
    size_t mbIndex = 0;
    for(int utf16Index = 0; utf16String[utf16Index] != u'\0'; utf16Index++)
    {
        const size_t length = c16rtomb(&mbBuffer[mbIndex], utf16String[utf16Index], &state);
        mbIndex += length;
    }
   
    mbBuffer[mbIndex] = '\0';
   
    return mbIndex;
}

int main(int argc, char *argv[])
{ 
    char16_t ch = u'好';
    char chBuffer[64];
    mbstate_t state = { };
   
    size_t length = c16rtomb(chBuffer, ch, &state);
    chBuffer[length] = '\0';
   
    printf("The UTF-8 character length is: %zu, and the character is: %s\n", length, chBuffer);
   
    const char *utf8Str = u8"你好， 世界。";
    printf("The UTF-8 string is: %s\n", utf8Str);
   
    const char16_t *utf16Str = u"你好， 世界。";
    printf("The utf16 string length is: %zu\n", UTF16StrLen(utf16Str));
   
    length = UTF16ToUTF8(chBuffer, utf16Str);
   
    printf("The UTF-8 string length is: %zu, and the content is: %s\n", length, chBuffer);
   
    printf("If the converted UTF-8 string is equal to the original one? %s\n", strcmp(chBuffer, utf8Str) == 0? "YES" : "NO");
}

在上述代码中，<uchar.h>必须被包含。因为char16_t、char32_t、mbstate_t等类型都是定义在这个头文件中的。C11标准库仅提供了基本的UTF8字符串转UTF16字符串、UTF16字符转UTF8字符串等函数。但是木有提供获取UTF16字符串长度以及如何将UTF16字符串转UTF8字符串的函数。因此，我在开头就实现这两者功能。当然，上述代码对UTF16的处理基本是将它作为老式的UCS-2编码格式，因为它是双字节固定长度的，而现代的UTF16可能是双字节也可能是四字节变长的。像Apple搞出的Emoji就是四字节长度的UTF16编码。所以，对于四字节的UTF16编码而言，其转换是否能有效工作尚不可知。

由于UTF8编码格式的字符串对ASCII是兼容的，因此我们可以直接使用C90提供的strlen等标准库对它们进行操作。

本文永久更新链接地址：

相关内容