【C语言】多字节字符、宽字符（涉及字符集和编码）

字符集、编码：

字符集：一个系统支持的所有抽象字符的集合。字符是各种文字和符号的总称，包括各国家文字、标点符号、图形符号、数字等。例如：ASCII、Unicode、GB2312、GBK、GB18030、BIG5(繁体中文) ...

编码方式：符号集合与数字系统之间的对应关系，是信息处理的一项基本技术，将符号转换为计算机可以接受的二进制数值。例如：ASCII、UTF-8、UTF-16、UTF-32、GB2312、GBK、GB18030 ...

① ASCII：编码范围0x00-0x7F(即0-127)，只用7位二进制就表示所有英文字符(128个字符)。ASCII是单字节编码，一个字符占1个字节。

② Unicode字符集：称为统一码、万国码、国际码。编码范围0x0000-0x10FFFF，包括100多万个字符。每个字符都有一个二进制数值(码值、码点)，例如：字符"A"的码点为"0x0041"，字符"中"的码点为"0x4E2D"。

Unicode字符集有3种存储方式：UTF-8，UTF-16，UTF-32。

• UTF-8 编码：广泛使用的编码方式。可变长度编码规则，一个字符1-4个字节，不同字符占用字节数不同。前128个字符(ASCII)，一个字符占1个字节。一个汉字一般占用3个字节。UTF-8不需要BOM来表明字节顺序，但可以表明编码方式。
• UTF-16 编码：对应UCS-2(Universal Character Set coded in 2 octets)，一个字符占2个字节，范围为 U+0000～U+FFFF。需要识别字节顺序(大端或小端)。需要BOM(Byte Order Mark, 放在文档开头告诉阅读器该文档的字节序)。
• UTF-32 编码：对应UCS-4，一个字符占4个字节，范围为 U+00000000～U+7FFFFFFF，其中 U+00000000～U+0000FFFF和UCS-2一样。需要BOM(Byte Order Mark)。

③ GB2312：中国国家标准简体中文字符集，专门用于汉字处理、汉字通信信息交换等。GB2312是对ASCll码的扩展，一个汉字占用两个字节。只有6000多个汉字。

GBK：《汉字内码扩展规范》，GB2312的扩展，有2万多个码值。一个汉字占用两个字节。一般看到936就知道是GBK。

GB18030：国家标准GB 18030-2005《信息技术中文编码字符集》，中国最新的内码字集。与GB 2312完全兼容，与GBK基本兼容，支持Unicode的全部统一汉字。是变长编码方式，可以是1个字节、2个字节和4个字节。

UTF-8编码格式

字节	十六进制	格式	实际编码位	码点范围
1字节	0x0000-0x007F	0xxxxxxx	7	0 ~ 127
2字节	0x0080-0x07FF	110xxxxx 10xxxxxx	11	128 ~ 2047
3字节	0x0800-0xFFFF	1110xxxx 10xxxxxx 10xxxxxx	16	2048 ~ 65535
4字节	0x010000-0x10FFFF	11110xxx 10xxxxxx 10xxxxxx 10xxxxxx	21	65536 ~ 2097151

补充：字节顺序(Byte Order)是计算机存储和表示多字节数据的方式，包括大端模式（Big Endian）和小端模式（Little Endian）。

• Big Endian(大端模式)：多字节数据中，高位字节(左边的位)存储在内存的低地址，低位字节(右边的位)存储在内存的高地址。
• Little Endian(小端模式)：多字节数据中，高位字节存储在内存的高地址，低位字节存储在内存的低地址。

Unicode 规范定义，每个文件开头加入表示编码顺序的字符: "零宽度非换行空格"（zero width no-break space)，若是FE FF，则采用大端模式；若是FF FE，则采用小端模式。

一、多字节字符

C语言中基本数据类型之一的char类型(字符)，一个英文字符占用一个字节，char * 表示的字符串中也是一个英文字符占用一个字节，包括结尾符'\0'(空字符)也只占用一个字节。

但其它语言的字符就不能只用一个字节表示了，例如：汉字，仅常用汉字就有3500多个，加上生僻汉字超过10万多个。而且汉字复杂，一个汉字可能2个字节、3个字节等。若一个字符占用多个字节，称为多字节字符。多字节字符也用char类型表示。

但用char类型即用多字节字符表示中文时可能出现乱码

C文件默认的编码方式一般是UTF-8(一个英文字符占1个字节, 一个汉字通常占3个字节)。而Windows编码方式一般是GBK，则中文在处理时可能出现乱码。

Windows(GBK编码)下若避免中文乱码，方法如下：

① 可在编译时使用GBK编码(与Windows编码方式一致): -fexec-charset=GBK。

(TERMINAL终端)

编译链接：gcc -fexec-charset=GBK -o 目标名 C程序文件名

再运行可执行文件：./目标名 

注：-finput-charset 指定C文件中的文字编码格式，-fexec-charset 指定编译之后的可执行文件的文字编码格式。默认情况下，gcc编译器认为编译前后的文字编码格式都是UTF-8。

// utf8.c
#include <stdio.h>
#include <locale.h>

int main(void)
{
    printf("你好\n");

    char *s1 = "你好";
    printf("%s\n", s1);
}

// TERMINAL 输入：
gcc -fexec-charset=GBK -o utf8 utf8.c
./utf8

// 结果：
你好
你好

 ② 使用头文件windows.h中的SetConsoleOutputCP设置成UTF-8 (使控制台输出UTF-8编码的字符)。

 注意：windows.h中的 SetConsoleOutputCP 和 locale中的setlocale 虽然设置效果不同，据说可以同时使用，但可能会使宽字符无法输出。需正确设置，并注意各自的影响效果。

#include <windows.h>

SetConsoleOutputCP(65001);
或者  SetConsoleOutputCP(CP_UTF8);

#include <stdio.h>
#include <locale.h>
#include <windows.h>

int main(void)
{
    SetConsoleOutputCP(65001);         // 或者 SetConsoleOutputCP(CP_UTF8);
    
    printf("你好\n");

    char *s1 = "你好";
    printf("%s\n", s1);
}

// 结果：
你好
你好

二、宽字符类型

C语言提供了宽字符，每个宽字符都是固定字节数，例如Windows中每个宽字符都是占2个字节，包括结尾符'\0'也是占两个字节。

宽字符用wchar_t类型表示。wchar_t的内存大小由编译器决定。Windows的编译器使用UTF-16编码方式，wchar_t的内存大小为2字节。大多数Linux使用UTF-32编码方式，wchar_t的内存大小大多为4字节。有了wchar_t就可以存储中文。

标准库limits.h中宏MB_LEN_MAX可查看多字节字符中的最大字节数。标准库stdlib.h中宏MB_CUR_MAX查看当前字符集中单个字符的最大字节数(不得大于MB_LEN_MAX)。

#include <stdio.h>
#include <limits.h>
#include <stdlib.h>

int main(void)
{
    printf("wchar_t = %d bytes\n", sizeof(wchar_t));
    printf("MB_LEN_MAX: %d\n", MB_LEN_MAX);
    printf("MB_CUR_MAX: %d\n", MB_CUR_MAX);
}

// 结果：
wchar_t = 2 bytes
MB_LEN_MAX: 5
MB_CUR_MAX: 1

1、设置本地语言环境

若想要使用宽字符类型，需设置当前语言环境，确保系统和编译器支持。只有正确设置语言环境，才能正确处理数据，否则可能出现乱码。

可使用标准库locale.h中的setlocale函数设置当前语言环境。

setlocale：    char  *setlocale(itn category, const  char  *locale)

参数category：已命名的常量，指定设置影响的函数类型。

参数locale：切换到中文环境：Linux："zh_CN.UTF-8"。Windows："chs"或""。若locale为空，则根据环境变量值来设置，将程序环境切换为本地化环境。

返回：一个对应于区域设置的不透明的字符串。如果请求无效，则返回值是 NULL。

注意：Windows的locale不支持“UTF-8”，可使用GBK，即"chs"(Chinese_People's Republic of China.936)。最好locale使用空字符，切换到本地环境。

setlocale函数的参数category

LC_ALL	包括下面的所有选项。
LC_COLLATE	字符串比较。影响<string.h> strcoll 和 strxfrm 函数
LC_CTYPE	字符分类和转换。影响所有字符函数
LC_MONETARY	货币格式，针对 localeconv()。
LC_NUMERIC	小数点分隔符，针对 localeconv()。
LC_TIME	日期和时间格式，针对<time.h> strftime()。
LC_MESSAGES	系统响应。

#include <stdio.h>
#include <locale.h>
#include <limits.h>
#include <stdlib.h>

int main(void)
{
    setlocale(LC_ALL, "");                // 设为本地化环境(Windows)

    printf("After: wchar_t = %d bytes\n", sizeof(wchar_t));    // wchar_t类型占用字节数
    printf("After: MB_LEN_MAX: %d\n", MB_LEN_MAX);             // 多字节字符最大字节数
    printf("After: MB_CUR_MAX: %d\n", MB_CUR_MAX);             // 当前字符集单个字符的最大字节数

    wchar_t *s = L"你好";
    printf("%ls\n", s);
    return 0;
}

// 结果：
After: wchar_t = 2 bytes
After: MB_LEN_MAX: 5    
After: MB_CUR_MAX: 2    
你好

 
2、宽字符使用

• 使用宽字符类型时，字面量必须在引号前有前缀L。
• 一个宽字符用单引号' '，一个宽字符字符串即多个宽字符(包括空字符)使用双引号" "。
• 一个宽字符的占位符为%lc，宽字符字符串的占位符为%ls。
• 宽字符字符串的结尾符，也占多个字节。
• 使用头文件wchar.h中的 wprintf 输出宽字符，格式化字符串前必须有"L"。
• Windows中也可以用 printf 输出宽字符。但 wprintf 和 printf 不能一起使用。

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

int main(void)
{
    setlocale(LC_ALL, "");
    wchar_t c = L'赞';
    wchar_t *s = L"你好";
    wprintf(L"%lc %ls\n", c, s);
    return 0;
}

// 结果：
赞 你好

#include <stdio.h>
#include <locale.h>

int main(void)
{
    setlocale(LC_ALL, "");
    wchar_t c = L'赞';
    wchar_t *s = L"你好";
    printf("%lc %ls\n", c, s);
    return 0;
}

// 结果：
赞  你好

三、多字节字符和宽字符相关函数

1、mblen   判断一个多字节字符占多少字节数

mblen：     int mblen(const char *str, size_t n) 

参数：str是指向多字节字符的指针, 一般检查第一个字符，n是要判断的最大字节数。

返回：解析的第一个字符的字节数，空的返回0，无效或不完整的多字节字符返回-1。

#include <stdio.h>
#include <stdlib.h>
#include <locale.h>

int main(void)
{
    setlocale(LC_ALL, "");                   // 切换到本地环境
    
    char *s = "你好";   
    printf("%d\n", mblen(s, MB_CUR_MAX));    // "你"占用2个字节数

    char *c = "hi";
    printf("%d\n", mblen(c, MB_CUR_MAX));    // "h"占用1个字节数
    return 0;
}

// 结果：  (Windows)
2
1

2、wctomb、wcstombs     宽字符转为多字节字符

宽字符：每个字符固定字节，Windows通常2字节，Linux通常4字节。多字节字符：每个字符不同字节，可能1个字节、2个字节、3个字节等。

由于多字节字符相对占有更少的内存空间，速度相对更快，也为了能更好地兼容只支持多字节字符的系统和应用程序，因此有时候需要把宽字符转为多字节字符。

• wctomb：将一个宽字符转为多字节字符。(wide character to multi byte)
• wcstombs：将宽字符字符串转为多字节字符串。

wctomb：        int wctomb(char *str, wchar_t wchar)   

参数：str是指向存储多字节字符数组的指针。wchar是一个将要转换的宽字符。

返回：若str不为NULL，返回写入数组中的字节数，wchar不能表示为多字节序列时返回-1。若str为NULL，编码有移位状态返回非零，编码无状态返回零。

wcstombs：      size_t wcstombs(char *str, const wchar_t *pwcs, size_t n)  

参数：str是指向存储多字节字符串数组的指针。pwcs是将要转换的宽字符字符串，n是最大转换字节数。

返回：写入数组中的字节数，不包括结尾的空字符。若遇到一个无效的多字节字符，则返回-1。

#include <stdio.h>
#include <locale.h>
#include <stdlib.h>

int main(void)
{
    setlocale(LC_ALL, "");
    wchar_t c = L'赞';           // 一个宽字符，用单引号
    char s[16];
    int m = wctomb(s, c);        // 宽字符转为多字节字符
    printf("wctomb: %d bytes, s = %s\n", m, s);
    return 0;
}

// 结果：  (Windows)
wctomb: 2 bytes, s = 赞

#include <stdio.h>
#include <locale.h>
#include <stdlib.h>

int main(void)
{
    setlocale(LC_ALL, "");
    wchar_t ws[] = L"你好123";            // 宽字符字符串
    printf("wchar: %ls, size is %d bytes\n", ws, sizeof(ws));

    char s[16];
    int m = wcstombs(s, ws, 16);         // 宽字符字符串转为多字节字符串
    printf("char: %s, wcstombs: %d bytes\n", s, m);
    return 0;
}

// 结果：  (Windows)
wchar: 你好123, size is 12 bytes         // 包括结尾符
char: 你好123, wcstombs: 7 bytes         // 不包括结尾符

3、mbtowc、mbstowcs      多字节字符转为宽字符

多字节字符中每个字符占不同字节数，不利于数据处理，尤其是编码方式不同的情况。因此有时需将多字节字符转为固定字节的宽字符。

但当多字节字符转为宽字符时，若存在编码方式的差异，可能发生乱码。可以在编译时使用本地编码方式(例如Windows: -fexec-charset=GBK)，也可以手写代码进行编码的转换。

• mbtowc：将一个多字节字符转为宽字符。
• mbstowcs ：将多字节字符串转为宽字符字符串。

mbtowc：       int mbtowc(whcar_t *pwc, const char *str, size_t n)  

参数：pwc是指向宽字符对象的指针，str是指向一个将要转换的多字节字符的指针，n为最大转换字节数。

返回： 若str不为NULL，返回str消耗的字节数，空字节返回0，失败返回-1。若str为NULL，编码有移位状态返回非零，编码无状态返回零。

mbstowcs：       size_t mbstowcs(schar_t *pwcs, const char *str, size_t n)

参数：pwcs是指向宽字符对象的指针，str是指向将要转换的多字节字符串的指针，n为最大转换字节数。

返回： 转换的字符数，不包括结尾的空字符。若遇到一个无效的多字节字符，则返回-1。

// utf8.c
#include <stdio.h>
#include <stdlib.h>
#include <locale.h>

int main(void)
{ 
    setlocale(LC_ALL, "");

    char s[] = "赞";                              // 多字节字符
    printf("s = %s, size is %d bytes\n", s, sizeof(s));

    wchar_t *p = (wchar_t *)malloc(8);
    int k =  mbtowc(p, s, 8);                    // 多字节字符转为宽字符
    printf("p = %ls, mbtowc: %d bytes\n", p, k);
    free(p);                                     // 动态分配的内存使用完主动释放
    return 0;
}

// TERMINAL输入：
gcc -fexec-charset=GBK -o utf8 utf8.c
./utf8

// 结果：  (Windows)
s = 赞, size is 3 bytes             // 包括结尾符
p = 赞, mbtowc: 2 bytes             // 不包括结尾符

// utf8.c
#include <stdio.h>
#include <stdlib.h>
#include <locale.h>
#include <string.h>

int main(void)
{
    setlocale(LC_ALL, "");

    char s[] = "你好123";                       // 多字节字符
    printf("s = %s, size is %d bytes\n", s, sizeof(s));   
    // int x =  mbstowcs(NULL, s, 0);          // 获取转换后的长度

    wchar_t *p = (wchar_t *)malloc(16);
    int y =  mbstowcs(p, s, 16);               // 多字节字符串转为宽字符字符串
    printf("p = %ls, mbstowcs: %d characters\n", p, y);
    free(p);
    return 0;
}

// TERMINAL输入：
gcc -fexec-charset=GBK -o utf8 utf8.c
./utf8

//  结果：  (Windows)
s = 你好123, size is 8 bytes                // 包括结尾符
p = 你好123, mbstowcs: 5 characters         // 不包括结尾符

补充：

1、查看Windows计算机的当前字符集：

开始 --> 运行 -->  cmd --> 输入：chcp --> 在cmd窗口标题栏 右键属性 -->"选项"标签页 "当前活动页..."。注：65001(utf-8)，936(GBK)。

修改Windows计算机的默认字符集：（慎重）

① 开始 --> 运行 -->  cmd --> 输入：chcp 65001。

②修改注册表。

 

查看 VSCode 当前字符集：

2、UTF-8编码与GBK编码的转换

UTF-8转为GBK：UTF-8编码 先转为 Unicode(Windows是UTF-16) 再转为GBK编码。

GBK转为UTF-8：GBK编码 先转为 Unicode(Windows是UTF-16) 再转为UTF-8编码。

注：UTF-8是Unicode字符集的编码方式之一，Unicode和GBK是两个不同的字符集，GBK既是字符集也是编码。