關(guān)于在C程序中處理UTF-8文本的方法詳解
UTF-8
互聯(lián)網(wǎng)的普及, 強(qiáng)烈要求出現(xiàn)一種統(tǒng)一的編碼方式. UTF-8就是在互聯(lián)網(wǎng)上使用最廣的一種unicode的實(shí)現(xiàn)方式. 其他實(shí)現(xiàn)方式還包括UTF-16和UTF-32, 不過在互聯(lián)網(wǎng)上基本不用.
重復(fù)一遍, 這里的關(guān)系是, UTF-8是Unicode的實(shí)現(xiàn)方式之一.
UTF-8最大的一個(gè)特點(diǎn), 就是它是一種變長(zhǎng)的編碼方式. 它可以使用1~6個(gè)字節(jié)表示一個(gè)符號(hào), 根據(jù)不同的符號(hào)而變化字節(jié)長(zhǎng)度.
UTF-8的編碼規(guī)則
UTF-8的編碼規(guī)則很簡(jiǎn)單, 只有兩條:
1) 對(duì)于單字節(jié)的符號(hào), 字節(jié)的第一位設(shè)為0, 后面7位為這個(gè)符號(hào)的unicode碼. 因此對(duì)于英語字母, UTF-8編碼和ASCII碼是相同的.
2) 對(duì)于n字節(jié)的符號(hào)(n>1), 第一個(gè)字節(jié)的前n位都設(shè)為1, 第n+1位設(shè)為0, 后面字節(jié)的前兩位一律設(shè)為10. 剩下的沒有提及的二進(jìn)制位, 全部為這個(gè)符號(hào)的unicode碼.
如果你對(duì) UTF-8 編碼不是非常了解，就不要試圖在 C 程序中徒手處理 UTF-8 文本。如果你對(duì) UTF-8 非常了解，就更沒必要這樣做。找一個(gè)提供了 UTF-8 文本處理功能并且可以跨平臺(tái)運(yùn)行的 C 庫來做這件事吧！
GLib 就是這樣的庫。
從問題出發(fā)
下面的這段文本是 UTF-8 編碼的（我之所以如此確定，是因?yàn)槲矣玫氖?Linux 系統(tǒng)，系統(tǒng)默認(rèn)的文本編碼是 UTF-8）：
我的 C81 每天都在口袋里 @
我需要在 C 程序中讀入這些文本。在讀到 '@' 字符時(shí)，我需要判定 '@' 左側(cè)與之處于同一行的文本是否都是空白字符。
簡(jiǎn)單起見，我忽略了文件讀取的過程，將上述文本表示為 C 字符串：
gchar *demo_text = "我的 C81 每天都在口袋里\n" " @";
注：在 GLib 中，gchar 就是 char，即 typedef char gchar;
下文，當(dāng)我說『demo_text 字符串』時(shí)，指的是以 demo_text 指針的值為基地址的 strlen(demo_text) + 1 個(gè)字節(jié)的內(nèi)存空間，這是 C 語言字符串的基本常識(shí)。
UTF-8 文本長(zhǎng)度與字符定位
為了模擬程序讀到 '@' 字符這一時(shí)刻，我需要用一個(gè) char * 類型的指針對(duì) demo_text 字符串中的 '@' 字符進(jìn)行定位。
'@' 字符在 demo_text 的末尾。我需要一個(gè)偏移距離，而這個(gè)偏移距離就是 demo_text 字串在 UTF-8 編碼層次上的長(zhǎng)度，通過這個(gè)偏移距離，我可以從 demo_text 字符串的基地址跳到 '@' 字符的基地址。
GLib 提供了 g_utf8_strlen 函數(shù)計(jì)算 UTF-8 字符串長(zhǎng)度，因此我可以得到從 demo_text 字串的基地址到 '@' 字符基地址的偏移距離：
glong offset = g_utf8_strlen(demo_text, -1);
結(jié)果是 38，恰好是 demo_text 字符串在 UTF-8 編碼層次上的長(zhǎng)度（不含字串結(jié)尾的 null 字符，亦即 '\0' 字符）。
g_utf8_strlen 的原型如下：
glong g_utf8_strlen(const gchar *p, gssize max);
注：glong 即 long，而 gssize 即 signed long。
g_utf8_strlen 第二個(gè)參數(shù) max 的設(shè)定規(guī)則如下：
- 如果它是負(fù)數(shù)，那么就假定字符串是以 null 結(jié)尾的（這是 C 字符串常識(shí)），然后統(tǒng)計(jì) UTF-8 字符的個(gè)數(shù)。
- 如果它為 0，就是不檢測(cè)字符串長(zhǎng)度……這個(gè)值純粹是出來打醬油的。
- 如果它為正數(shù)，表示的是字節(jié)數(shù)。g_utf8_strlen 會(huì)按照字節(jié)數(shù)從字符串中截取字節(jié)，然后再統(tǒng)計(jì)所截取的字節(jié)對(duì)應(yīng)的 UTF-8 字符的個(gè)數(shù)。
有了偏移距離，就可以在 demo_text 中定位 '@' 字符了，即：
gchar *tail = g_utf8_offset_to_pointer(demo_text, offset - 1);
此時(shí) tail 的值便是 '@' 字符的基地址。
在 UTF-8 文本中游走
現(xiàn)在已經(jīng)獲得了 '@' 的位置，接下來就是從這個(gè)位置開始向左（也就是逆序）遍歷 demo_text 字符串的其它字符。GLib 為此提供了 g_utf8_prev_char 函數(shù)：
gchar * g_utf8_prev_char(const gchar *str, const gchar *p);
借助 g_utf8_prev_char 函數(shù)可以從 str 中獲得 p 之前的一個(gè) UTF-8 字符的基地址（p 是當(dāng)前 UTF-8 字符的基地址）。如果 p 與 str 相同，即 p 已經(jīng)指向了字符串的基地址，那么 g_utf8_find_prev_char 會(huì)返回 NULL。
對(duì)于本文要解決的問題而言，利用這個(gè)函數(shù)，可以寫出從 demo_text 中的 '@' 字符所在位置開始逆序遍歷 '@' 之前的所有 UTF-8 字符的過程：
glong offset = g_utf8_strlen(demo_text, -1);
gchar *viewer = g_utf8_offset_to_pointer(demo_text, offset - 1);
while (1) {
viewer = g_utf8_prev_char(viewer);
if (viewer != demo_text) {
/* do somthing here */
} else {
break;
}
}
GLib 還提供了一個(gè) g_utf8_next_char，它可以返回當(dāng)前位置的下一個(gè) UTF-8 字符的基地址。
提取 UTF-8 字符
雖然借助 g_utf8_prev_char 與 g_utf8_next_char 可以讓指針在 UTF-8 文本中走動(dòng)，但是只能將一個(gè)指針定位到某個(gè) UTF-8 字符的基地址，如果我們想得到這個(gè) UTF-8 字符，就不是那么容易了。
例如
viewer = g_utf8_prev_char(viewer);
此時(shí)，雖然可以將 viewer 向前移動(dòng)一個(gè) UTF-8 字符寬度的距離，到達(dá)了一個(gè)新的 UTF-8 字符的基地址，但是如果我想將這個(gè)新的 UTF-8 字符打印出來，像下面這樣做肯定是不行的：
g_print("%s", viewer);
注：g_print 函數(shù)與 C 標(biāo)準(zhǔn)庫中的 printf 函數(shù)功能基本等價(jià)，只不過 g_print 可以借助 g_set_print_handler 函數(shù)實(shí)現(xiàn)輸出的『重定向』。
因?yàn)?g_print 要通過 viewer 打印單個(gè) UTF-8 字符，前提是這個(gè) UTF-8 字符之后需要有個(gè) '\0'，這樣就是將一個(gè) UTF-8 字符作為一個(gè)普通的 C 字符串打印了出來。這個(gè) UTF-8 字符后面不可能有 '\0'，除非它是 demo_text 字符串中的最后一個(gè)字符。
要解決這個(gè)問題，只能是將 viewer 所指向的 UTF-8 字符相應(yīng)的字節(jié)數(shù)據(jù)提取出來，放到一個(gè)字符數(shù)組或在堆中為其創(chuàng)建存儲(chǔ)空間，然后再打印這個(gè)字符數(shù)組或堆空間中的數(shù)據(jù)。例如：
gchar *new_viewer = g_utf8_next_char(viewer);
sizt_t n = new_viewer - viewer;
gchar *utf8_char = malloc(n + 1);
memcpy(utf8_char, viewer, n);
utf8_char[n] = '\0';
g_print("%s", utf8_char);
free(utf8_char);
這樣顯然太繁瑣了。不過，這意味著我們應(yīng)該寫一個(gè)函數(shù)專門做這件事。這個(gè)函數(shù)可取名為 get_utf8_char，定義如下：
static gchar * get_utf8_char(const gchar *base) {
gchar *new_base = g_utf8_next_char(base);
gsize n = new_base - base;
gchar *utf8_char = g_memdup(base, (n + 1));
utf8_char[n] = '\0';
return utf8_char;
}
借助這個(gè)函數(shù)，就可以實(shí)現(xiàn)從 demo_text 的 '@' 所在位置開始，逆序打印 '@' 之前的所有 UTF-8 字符：
glong offset = g_utf8_strlen(demo_text, -1);
gchar *viewer = g_utf8_offset_to_pointer(demo_text, offset - 1);
while (1) {
gchar outbuf[7] = {'\0'};
viewer = g_utf8_prev_char(viewer);
if (viewer != demo_text) {
gchar *utf8_char = get_utf8_char(viewer);
g_print("%s", utf8_char);
g_free(utf8_char);
} else {
break;
}
}
g_print("\n");
注：g_memdup 等價(jià)于 C 標(biāo)準(zhǔn)庫中的 malloc + memcpy，而 g_free 則等價(jià)與 C 標(biāo)準(zhǔn)庫中的 free。
空白字符比較
現(xiàn)在，假設(shè)給定一個(gè) UTF-8 字符 x，怎么判斷它與某個(gè) UTF-8 字符相等？
不要忘記，所謂的一個(gè) UTF-8 字符，本質(zhì)上只不過是 char * 類型的指針引用的一段內(nèi)存空間?；谶@一事實(shí)，利用 C 標(biāo)準(zhǔn)庫提供的 strcmp 函數(shù)即可實(shí)現(xiàn) UTF-8 字符的比較。
下面，我定義了函數(shù) is_space，用它判斷一個(gè) UTF-8 字符是否為空白字符。
static gboolean is_space(const gchar *s) {
gboolean ret = FALSE;
char *space_chars_set[] = {" ", "\t", " "};
size_t n = sizeof(space_chars_set) / sizeof(space_chars_set[0]);
for (size_t i = 0; i < n; i++) {
if (!strcmp(s, space_chars_set[i])) {
ret = TRUE;
break;
}
}
return ret;
}
注：gboolean 是 GLib 定義的布爾類型，其值要么是 TRUE，要么是 FALSE。
在 is_space 函數(shù)中，我只是判斷了三種空白字符類型——英文空格、中文全角空格以及制表符。
雖然回車符與換行符也是空白字符，但是為了解決這篇文章開始時(shí)提出的問題，我需要單獨(dú)為換行符定義一個(gè)判斷函數(shù)：
static gboolean is_line_break(const gchar *s) {
return (!strcmp(s, "\n") ? TRUE : FALSE);
}
解決問題
現(xiàn)在萬事俱備，只欠東風(fēng)，我們應(yīng)該著手解決問題了。如果讀到此處已經(jīng)忘記了問題是什么，那么請(qǐng)回顧第一節(jié)。
盡管下面這段代碼看上去挺丑，但是它能夠解決問題。
gboolean is_right_at_sign = TRUE;
glong offset = g_utf8_strlen(demo_text, -1);
gchar *viewer = g_utf8_offset_to_pointer(demo_text, offset - 1);
while (viewer != demo_text) {
viewer = g_utf8_prev_char(viewer);
gchar *utf8_char = get_utf8_char(viewer);
if (!is_space(utf8_char)) {
if (!is_line_break(utf8_char)) {
is_right_at_sign = FALSE;
g_free(utf8_char);
break;
} else {
g_free(utf8_char);
break;
}
}
g_free(utf8_char);
}
if (is_right_at_sign) g_print("Right @ !\n");
對(duì)上述代碼略做簡(jiǎn)化，可得：
gboolean is_right_at_sign = TRUE;
glong offset = g_utf8_strlen(demo_text, -1);
gchar *viewer = g_utf8_offset_to_pointer(demo_text, offset - 1);
while (viewer != demo_text) {
viewer = g_utf8_prev_char(viewer);
gchar *utf8_char = get_utf8_char(viewer);
if (!is_space(utf8_char)) {
if (!is_line_break(utf8_char)) is_right_at_sign = FALSE;
g_free(utf8_char);
break;
}
g_free(utf8_char);
}
if (is_right_at_sign) g_print("Right @ !\n");
其實(shí)，如果將 UTF-8 字符的提取與內(nèi)存釋放過程置入 is_space 與 is_line_break 函數(shù)，即：
static gboolean is_space(const gchar *c) {
gboolean ret = FALSE;
gchar *utf8_char = get_utf8_char(c);
char *space_chars_set[] = {" ", "\t", " "};
size_t n = sizeof(space_chars_set) / sizeof(space_chars_set[0]);
for (size_t i = 0; i < n; i++) {
if (!strcmp(utf8_char, space_chars_set[i])) {
ret = TRUE;
break;
}
}
g_free(utf8_char);
return ret;
}
static gboolean is_line_break(const gchar *c) {
gboolean ret = FALSE;
gchar *utf8_char = get_utf8_char(c);
if (!strcmp(utf8_char, "\n")) ret = TRUE;
g_free(utf8_char);
return ret;
}
可以得到進(jìn)一步的簡(jiǎn)化結(jié)果：
gboolean is_right_at_sign = TRUE;
glong offset = g_utf8_strlen(demo_text, -1);
gchar *viewer = g_utf8_offset_to_pointer(demo_text, offset - 1);
while (viewer != demo_text) {
viewer = g_utf8_prev_char(viewer);
if (!is_space(viewer)) {
if (!is_line_break(viewer)) is_right_at_sign = FALSE;
break;
}
}
if (is_right_at_sign) g_print("Right @ !\n");
附：完整的代碼
#include <string.h>
#include <glib.h>
gchar *demo_text =
"我的 C81 每天都在口袋里\n"
" @";
static gchar * get_utf8_char(const gchar *base) {
gchar *new_base = g_utf8_next_char(base);
gsize n = new_base - base;
gchar *utf8_char = g_memdup(base, (n + 1));
utf8_char[n] = '\0';
return utf8_char;
}
static gboolean is_space(const gchar *c) {
gboolean ret = FALSE;
gchar *utf8_char = get_utf8_char(c);
char *space_chars_set[] = {" ", "\t", " "};
size_t n = sizeof(space_chars_set) / sizeof(space_chars_set[0]);
for (size_t i = 0; i < n; i++) {
if (!strcmp(utf8_char, space_chars_set[i])) {
ret = TRUE;
break;
}
}
g_free(utf8_char);
return ret;
}
static gboolean is_line_break(const gchar *c) {
gboolean ret = FALSE;
gchar *utf8_char = get_utf8_char(c);
if (!strcmp(utf8_char, "\n")) ret = TRUE;
g_free(utf8_char);
return ret;
}
int main(void) {
gboolean is_right_at_sign = TRUE;
glong offset = g_utf8_strlen(demo_text, -1);
gchar *viewer = g_utf8_offset_to_pointer(demo_text, offset - 1);
while (viewer != demo_text) {
viewer = g_utf8_prev_char(viewer);
if (!is_space(viewer)) {
if (!is_line_break(viewer)) is_right_at_sign = FALSE;
break;
}
}
if (is_right_at_sign) g_print("Right @ !\n");
return 0;
}
若是在 Bash 中使用 gcc 編譯這份代碼，可使用以下命令：
$ gcc `pkg-config --cflags --libs glib-2.0` utf8-demo.c -o utf8-demo
總結(jié)
以上就是這篇文章的全部?jī)?nèi)容了，希望本文的內(nèi)容對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，如果有疑問大家可以留言交流，謝謝大家對(duì)腳本之家的支持。
相關(guān)文章
SublimeText編譯C開發(fā)環(huán)境設(shè)置
這篇文章主要介紹了使用SublimeText編譯C代碼的開發(fā)環(huán)境設(shè)置，大家參考使用2013-11-11
這篇文章主要介紹了C++中關(guān)于getchar()的使用方法，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教2022-11-11
C語言詳細(xì)分析宏定義與預(yù)處理命令的應(yīng)用
宏定義是用宏名來表示一個(gè)字符串,在宏展開時(shí)又以該字符串取代宏名,這只是一種簡(jiǎn)單的替換。字符串中可以含任何字符,可以是常數(shù),也可以是表達(dá)式,預(yù)處理程序?qū)λ蛔魅魏螜z查,如有錯(cuò)誤,只能在編譯已被宏展開后的源程序時(shí)發(fā)現(xiàn)2022-07-07
C++如何實(shí)現(xiàn)定長(zhǎng)內(nèi)存池詳解
內(nèi)存池根據(jù)存儲(chǔ)的元素的長(zhǎng)度是否可變,分為變長(zhǎng),與定長(zhǎng)兩種內(nèi)存池,這篇文章主要給大家介紹了關(guān)于C++如何實(shí)現(xiàn)定長(zhǎng)內(nèi)存池的相關(guān)資料,需要的朋友可以參考下2021-09-09
這篇文章主要介紹了最小生成樹算法C語言代碼實(shí)例，有需要的朋友可以參考一下2013-12-12
C++初階之list的模擬實(shí)現(xiàn)過程詳解
在C++中我們經(jīng)常使用STL,那個(gè)在那些我們常用的數(shù)據(jù)結(jié)構(gòu)vector,list的背后,又是如何實(shí)現(xiàn)的呢?這篇文章主要給大家介紹了關(guān)于C++初階之list的模擬實(shí)現(xiàn)的相關(guān)資料,需要的朋友可以參考下2021-08-08
Ubuntu中使用VS Code與安裝C/C++插件的教程詳解
這篇文章主要介紹了Ubuntu中使用VS Code與安裝C/C++插件的教程詳解,本文通過圖文并茂的形式給大家介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值，需要的朋友可以參考下2020-09-09
