C语言 11 字符串

前面学习了数组，而对于字符类型的数组，比较特殊，它实际上可以作为一个字符串（String）表示，字符串就是一个或多个字符的序列，比如在一开始认识的"Hello World"，像这样的多个字符形成的一连串数据，就是一个字符串，而printf函数接受的第一个参数也是字符串。

在 C 语言中并没有直接提供存储字符串的类型，能够存储字符的只有 char 类型，但是它只能存储单个字符。

一连串的字符想要通过变量进行保存，就只能依靠数组了，char 类型的数组允许存放多个字符，这样的话就可以表示字符串了。

比如现在想要存储Hello这一连串字符：

#include <stdio.h>

int main() {
    // 直接保存单个字符
    // 但是注意，无论内容是什么，字符串末尾必须添加一个 '\0' 字符（ASCII码为0）表示结束
    // 如果不加 '\0' 字符，则会在末尾产生 + 号，比如下面的字符串的结果为 Hello+
    // char str[] = {'H', 'e', 'l', 'l', 'o'};
    char str[] = {'H', 'e', 'l', 'l', 'o', '\0'};
    // 用%s来作为一个字符串输出
    printf("%s", str);
}

不过这样写起来实在是太麻烦了，可以使用更加简便的写法：

#include <stdio.h>

int main() {
    // 直接使用双引号将所有的内容囊括起来，并且也不需要补充\0（但是本质上是和上面一样的字符数组）
    char str[] = "Hello";   
    // 也可以添加 const char str[] = "Hello";
    // 双引号囊括的字符串实际上就是一个const char数组类型的值
    printf("%s", str);
}

这下终于明白了，原来一直在写的双引号，其实表示的就是一个字符串。

那么现在看看下面的写法有什么不同：

"c"
'c'

发现一个问题，char 类型只能保存 ASCII 编码表中的字符，但是实际上中文也是可以正常打印的：

printf("你好 世界");

这是什么情况？那么多中文字符（差不多有 6000 多个），用 ASCII 编码表那 128 个肯定是没办法全部表示的，但是现在需要在电脑中使用中文。这时，就需要扩展字符集了。

可以使用两个甚至多个字节来表示一个中文字符，这样能够表示的数量就大大增加了，GB2132 方案规定当连续出现两个大于 127 的字节时（注意不考虑符号位，此时相当于是第一个bit位一直为1了），表示这是一个中文字符（所以为什么常说一个英文字符占一字节，一个中文字符占两个字节），这样就可以表示出超过 7000 种字符了，不仅仅是中文，甚至中文标点、数学符号等，都可以被正确的表示出来。

不过这样能够表示的内容还是不太够，除了那些常见的汉字之外，还有很多的生僻字，比如龘、錕、釿、拷这类的汉字，后来干脆直接只要第一个字节大于 127，就表示这是一个汉字的开始，无论下一个字节是什么内容（甚至原来的128 个字符也被编到新的表中），这就是 Windows 至今一直在使用的默认 GBK 编码格式。

虽然这种编码方式能够很好的解决中文无法表示的问题，但是由于全球还有很多很多的国家以及很多很多种语言，所以最终目标是能够创造一种可以表示全球所有字符的编码方式，整个世界都使用同一种编码格式，这样就可以同时表示全球的语言了。所以这时就出现了一个叫做 ISO（国际标准化组织）的组织，来定义一套编码方案来解决所有国家的编码问题，这个新的编码方案就叫做 Unicode，规定每个字符必须使用俩个字节，即用 16 个 bit 位来表示所有的字符（也就是说原来的那 128 个字符也要强行用两位来表示）

但是这样的话实际上是很浪费资源的，因为这样很多字符都不会用到两字节来保存，但是又得这样去表示，这就导致某些字符浪费了很多空间。所以最后就有了 UTF-8 编码格式，区分每个字符的开始是根据字符的高位字节来区分的，比如：
用一个字节表示的字符，第一个字节高位以 0 开头
用两个字节表示的字符，第一个字节的高位为以 110 开头，后面一个字节以 10 开头
用三个字节表示的字符，第一个字节以 1110 开头，后面两个字节以 10 开头
用四个字节表示的字符，第一个字节以 11110 开头，后面的三个字节以 10 开头

如果程序需要表示多种语言，最好采用 UTF-8 编码格式

10000011 10000110

这就是一个连续出现都大于 127 的字节（注意这里是不考虑符号位的）

Unicode符号范围（十六进制）	UTF-8编码方式（二进制）
0000 0000 ~ 0000 007F	0xxxxxxx
0000 0080 ~ 0000 07FF	110xxxxx 10xxxxxx
0000 0800 ~ 0000 FFFF	1110xxxx 10xxxxxx 10xxxxxx
0001 0000 ~ 0010 FFFF	11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

简而言之，中文实际上是依靠多个 char 来进行表示的。

这样，就了解了字符串的使用。