char 如何存储两个数字？

Question

下一个案例：我有西里尔字母“б”。运行下一个代码：

int main() {
    char c;
    scanf("%c", &c);
    printf("%d\n", c);
    return 0;
}

显示-48。但是当我调试这个变量c时，它会显示下一个：-48 '\320'。

那么这是如何工作的呢？这是一个指向 2 长度数组的指针吗？或者它是如何存储两个数字的？

Answer 1

char 变量既可以用于存储一个小的¹ 整数，也可以用于存储一些定义不太明确的字符（更准确地说是代码单元），通常是 ASCII-基于编码。在这里，调试器只是试图通过显示c 内容的两个（有争议的）有意义的表示来提供帮助。

---

让我们想象一下您实际上写的是a而不是б；在这种情况下，调试器会写类似

c = {char} 97 'a'

因为c中存储的实际数字是97，并且解码为ASCII码对应字母a。

不幸的是，您可以将每个可能的字符都放入单个 8 位 char 值的想法是完全有缺陷的，因此目前使用最广泛的编码 (UTF-8)，恰好是在您的机器，需要多个代码单元（≈字节）来表示单个代码点（≈逻辑字符）（更多细节in this question）。特别是，б表示为两个字节的字符串，即字节0xD0和0xB1。

C 对 UTF-8 或代码点一无所知；如果您将%c 指定为scanf，它将读取单个字节，而不管它是否足以表示完整的UTF-8 代码点。所以，只有第一个字节被读取，c 只包含 0xD0 值； 0xB1 仍在缓冲区中，尚待读取。

回到调试器显示的值，首先必须注意的是，在您的平台上（不幸的是，在许多平台上），char 已签名。因此，0xD0 字节被解释为 -48 的有符号值（实际上，0xD0 = 208，在 127 处“回绕”；208 - 256 = -48）。

至于'\320'：这里的调试器想显示那个值的ASCII表示；但是，字节 0xD0 超出了 ASCII 字符范围²，因此在这里它以转义序列显示。您可能熟悉'\n' 表示换行符或\0 表示NUL 字符；一般来说，\ 后跟 C 中的一到三位数字表示具有相应 八进制 值的字节； 0320 对于 208 来说确实是八进制，对于 0xD0 来说是十进制。

所以，这并不神秘：c 仍然包含一个值（它只是你角色的“一半”）；您所看到的只是其内容的两种（同样不方便）表示。

---

备注

1. 在大多数平台上，[-128, 127] 或 [0, 255]，取决于 char 的签名（不幸的是，这是实现定义的）。
2. 确实，UTF-8 扩展了 ASCII，仅使用设置了高位的字节（ASCII 未使用）作为其多字节序列；这样可以确保它们不会被误解为 ASCII 文本。

Answer 2

西里尔字符 [使用 utf-8] 是 多字节 chars。您的十六进制“字符”是字符串/数组：

D0B1

所以，您不能使用%c 来检索它。你需要使用%s:

#include <stdio.h>

int
main(void)
{
    char utf[1000];
    char *cp;

    scanf("%s", utf);
    printf("%s\n", utf);

    for (cp = utf;  *cp != 0;  ++cp)
        printf(" %2.2X",*cp & 0xFF);
    printf("\n");

    return 0;
}

---

这是输出：

б
 D0 B1

---

更新：

那么，这个 char 是如何在内存中定位的？当涉及到西里尔字母时，C 是否能够使 char 成为 2 字节？

首先，请参阅：https://en.wikipedia.org/wiki/UTF-8

当您通过键盘输入西里尔字符时，它是您的键盘硬件、终端仿真程序和文本编辑器的组合，可将键盘序列转换为utf-8 序列，最终出现在您正在输入的文本文件中编辑。

你所说的西里尔字符就是utf-8 所说的“代码点”。

当放置在文本文件中时，代码点变成如上所述的多字节序列。

scanf 和 printf 对此一无所知。例如，printf 只发送字符串：XXXXXXX\0，其中 X 可以是单个 ASCII 字符或多字符代码点的一部分。

由终端模拟器来理解这一点并从 utf-8 字体集中输出正确的字符 [其中包含西里尔字符、希腊字符、法语字符等]

strlen 和 strcpy 等函数仅关心尾随的 0x00 EOS 字符。因此，从技术上讲，它们可以工作并且通常可以像通过 ASCII 字符串一样轻松地传递 utf-8 字符串，因为 EOS 无论如何都是一样的。

但是，strlen 会给你字符串中char 的数量。例如，在上面的 strlen 将返回 2，因为它将 D0 和 B1 计算为 char 数组中的单独 char 值。

而且，strchr [可能] 不起作用。您可能希望使用strstr 代替utf-8。

当然，其中只有 一个 用于西里尔字符的代码点，因此utf-8 感知函数必须以不同的方式处理数组。比如在统计code point的个数的时候，他们需要看到D0B1是一个singlecode point，所以得到的count是one

一般规则是 ASCII (0x01-0x7F) 直接映射到 utf-8 作为单个 chars。任何具有高位 (0x80) 集的内容都是 utf-8 多字节代码点的一部分。 0x40 用于指示序列的开始 [最左边] 字节。序列中所有剩余字节的格式为（以位为单位）：10xxxxxx。序列中剩余的字节数由起始字节中前缀 1 的位数表示。在下表中，它显示了如何解码字节序列（x 表示作为代码点值一部分的位）：

# of    Start       Remaining Bytes
bytes   Byte
1       0xxxxxxx
2       110xxxxx    10xxxxxx
3       1110xxxx    10xxxxxx    10xxxxxx
4       11110xxx    10xxxxxx    10xxxxxx    10xxxxxx

因此，utf-8 感知函数可以在正向或反向扫描时检测并跳过代码点。并且，可以区分两个[或更多]相邻的多字节代码点。