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的實現(xiàn)方式. 其他實現(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的實現(xiàn)方式之一.
UTF-8最大的一個特點, 就是它是一種變長的編碼方式. 它可以使用1~6個字節(jié)表示一個符號, 根據(jù)不同的符號而變化字節(jié)長度.
UTF-8的編碼規(guī)則
UTF-8的編碼規(guī)則很簡單, 只有兩條:
1) 對于單字節(jié)的符號, 字節(jié)的第一位設(shè)為0, 后面7位為這個符號的unicode碼. 因此對于英語字母, UTF-8編碼和ASCII碼是相同的.
2) 對于n字節(jié)的符號(n>1), 第一個字節(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, 全部為這個符號的unicode碼.
如果你對 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 UTF-8 非常了解，就更沒必要這樣做。找一個提供了 UTF-8 文本處理功能并且可以跨平臺運行的 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，是因為我用的是 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，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，指的是以 demo_text 指針的值為基地址的 strlen(demo_text) + 1 個字節(jié)的內(nèi)存空間，這是 C 語言字符串的基本常識。
UTF-8 文本長度與字符定位
為了模擬程序讀到 '@' 字符這一時刻，我需要用一個 char * 類型的指針對 demo_text 字符串中的 '@' 字符進(jìn)行定位。
'@' 字符在 demo_text 的末尾。我需要一個偏移距離，而這個偏移距離就是 demo_text 字串在 UTF-8 編碼層次上的長度，通過這個偏移距離，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)計算 UTF-8 字符串長度，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 第二個參數(shù) max 的設(shè)定規(guī)則如下：
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 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 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 會返回 NULL。
對于本文要解決的問題而言，利用這個函數(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 g_utf8_next_char，它可以返回當(dāng)前位置的下一個 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，但是只能將一個指針定位到某個 UTF-8 字符的基地址，如果我們想得到這個 UTF-8 字符，就不是那么容易了。
例如
viewer = g_utf8_prev_char(viewer);
此時，雖然可以將 viewer 向前移動一個 UTF-8 字符寬度的距離，到達(dá)了一個新的 UTF-8 字符的基地址，但是如果我想將這個新的 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，只不過 g_print 可以借助 g_set_print_handler 函數(shù)實現(xiàn)輸出的『重定向』。
因為 g_print 要通過 viewer 打印單個 UTF-8 字符，前提是這個 UTF-8 字符之后需要有個 '/0'，這樣就是將一個 UTF-8 字符作為一個普通的 C 字符串打印了出來。這個 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字符。
要解決這個問題，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，放到一個字符數(shù)組或在堆中為其創(chuàng)建存儲空間，然后再打印這個字符數(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)該寫一個函數(shù)專門做這件事。這個函數(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;}借助這個函數(shù)，就可以實現(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 等價于 C 標(biāo)準(zhǔn)庫中的 malloc + memcpy，而 g_free 則等價與 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 UTF-8 字符 x，怎么判斷它與某個 UTF-8 字符相等？
不要忘記，所謂的一個 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。基于這一事實，利用 C 標(biāo)準(zhǔn)庫提供的 strcmp 函數(shù)即可實現(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 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提出的問題，我需要單獨為換行符定義一個判斷函數(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");對上述代碼略做簡化，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，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內(nèi)容了，希望本文的內(nèi)容對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，如果有疑問大家可以留言交流，謝謝大家對VEVB武林網(wǎng)的支持。
新聞熱點
疑難解答
