为什么字符数组（char 类型）与 unicode 字符（c++）一起使用？答案

【问题标题】：Why is array of characters(char type) working with unicode characters (c++)?为什么字符数组（char 类型）与 unicode 字符（c++）一起使用？
【发布时间】：2021-12-25 10:28:30
【问题描述】：

当我写这段代码时：

using namespace std;

int main(){
    char x[] = "γεια σας";
    cout << x;
    return 0;
}

我注意到编译器给了我输出，我排除了γεια σας 虽然数组的类型是char，也就是说，它应该只接受 ASCII 字符。

那么为什么编译器没有报错呢？

【问题讨论】：

C++ 标准中没有任何内容表明char 仅适用于 ASCII 字符，您从哪里得到这个想法？
@UnholySheep 它也得到 EBCDIC 但我知道它没有得到 Unicode 字符
@Retired Ninja 是的，我听说过 utf-8，但我知道 utf-8 字符太大，所以 char 类型无法容纳它，因为它的范围是 0-255
你知道错了。一个 utf-8 代码点被定义为适合 8 位，sizeof(char) 被定义为足够大以能够容纳它
@UnholySheep sizeof(char) 被定义为标准中的一个。 char 中的位数指定为至少 8 位，并且不需要 ASCII（因此没有什么可以阻止 char 被 utf-8 编码）。

标签： c++ unicode

【解决方案1】：

虽然数组的类型是char，也就是应该只接受ASCII字符。

你猜错了。

Unicode 有多种转换格式。一种流行的此类格式是 UTF-8。正如名称所暗示的那样，UTF-8 的代码单元是 8 位宽。总是可以使用char 来表示UTF-8 的代码单元，因为char 保证至少8 位宽。

【讨论】：

【解决方案2】：

99.99% 的可能性是以 UTF-8 格式存储的 Unicode 代码点。每个代码点都转换为一到四个字符。

将 ASCII 范围内的 Unicode 转换为从 0x00 到 0x7f 的一个 ASCII 字节。有 2048 个码点被翻译成两个字节，二进制模式 110x xxxx 10yy yyyy，65536 被翻译成三个码点 1110 xxxx 10yy yyyy 10zz zzzz，剩下的变成四个字符 1111 0xxx 10yy yyyy 10zz zzzz 10uu uuuu。

大多数 C 和 C++ 字符串函数都可以在 UTF-8 中正常工作。一个例外是 strncpy 或 strncat，它可能会创建一个不完整的代码点。旧的面试问题“反转字符中的字符串”变得更加复杂，因为反转代码点内的字节会产生废话。

【讨论】：

【解决方案3】：

这里有一些代码展示了 C++ 的真正作用：

#include <iostream>
#include <iomanip>

using namespace std;

int main(){
    char x[] = "γεια σας";
    cout << x << endl;
    
    auto len = strlen(x);
    cout << "Length (in bytes): " << len << endl;
    for (int i = 0; i < len; i++)
        cout << "0x" << setw(2) << hex << static_cast<int>(static_cast<unsigned char>(x[i])) << ' ';
    cout << endl;
    return 0;
}

输出是：

γεια σας
Length (in bytes): 15
0xce 0xb3 0xce 0xb5 0xce 0xb9 0xce 0xb1 0x20 0xcf 0x83 0xce 0xb1 0xcf 0x82

所以字符串占用 15 个字节，编码为UTF-8。 UTF-8 是一种 Unicode 编码，每个字符使用 1 到 4 个字节（在您可以使用文本光标选择的最小单位的意义上）。 UTF-8 可以保存在 char 数组中。尽管它被称为char，但它基本上对应的是一个字节，而不是我们通常认为的字符。

【讨论】：