基本上,如果我正确阅读标准,那么'0'不一定代表整数0x30,而u8“0”必须代表字符序列0x30 0x00。
注:我知道并非每个UTF-8代码点都适合一个字符,这样的字面量只对单字节代码点(即ASCII)有用,因此称其为“ASCII字符字面量”更合适,所以问题仍然存在。我只是选择用UTF-8来框架问题,因为有UTF-8字符串字面量。唯一想象中可移植保证ASCII值的方法是为每个字符编写一个常量,考虑到只有128个字符,这并不是太糟糕...
写非可移植的C代码是完全可以接受的,这是许多理由之一。可以假设您的系统使用ASCII或其某个超集,并警告用户不要在EBCDIC系统上运行您的程序。
如果您非常慷慨,可以编码一个检查。已知gperf
程序会生成包括此类检查的代码。
_Static_assert('0' == 48, "must be ASCII-compatible");
extern int must_be_ascii_compatible['0' == 48 ? 1 : -1];
如果你在使用C11,你可以在字符常量上使用u
或U
前缀,但不能使用u8
前缀...
/* This is useless, doesn't do what you want... */
_Static_assert(0, "this code is broken everywhere");
if (c == '々') ...
/* This works as long as wchar_t is UTF-16 or UTF-32 or UCS-2... */
/* Note: you shouldn't be using wchar_t, though... */
_Static_assert(__STDC_ISO_10646__, "wchar_t must be some form of Unicode");
if (c == L'々') ...
/* This works as long as char16_t is UTF-16 or UCS-2... */
_Static_assert(__STDC_UTF_16__, "char16_t must be UTF-16");
if (c == u'々') ...
/* This works as long as char32_t is UTF-32... */
_Static_assert(__STDC_UTF_32__, "char32_t must be UTF-32");
if (c == U'々') ...
sizeof(char) == sizeof(long)
,CHAR_BIT != 8
,整数类型具有陷阱表示,sizeof(void *) != sizeof(int *)
,sizeof(void *) != sizeof(void (*)())
,va_list
是堆分配等等。这是一场噩梦。malloc
的有效实现:void *malloc(void) { return NULL; }
u8"..."
常量保证是UTF-8编码,但u"..."
和U"..."
没有任何保证,除了编码分别为16位和32位每个字符,实际编码必须由实现记录。
摘要:在2012年可以安全地假定ASCII兼容性。u"..."
和U"..."
不需要是UTF-16和UTF-32吗?我猜u8"..."
就是奇怪的那一个。所以,反过来问!为什么会有u8"..."
存在呢?也许我稍后会写一篇关于它的文章。 - jbatezchar16_t
和char32_t
数组。标准几乎称它们为“UTF-16编码字符串”,而提到了“UTF-8编码字符串”。请记住,这种数组的元素是Unicode代码单元,并且C++11标准提供了将其转换为和从其称为“UTF-16多字节序列”的内容的工具。我不知道成为UTF-16或UTF-32编码字符串需要什么(也许标准也不知道),但我知道我可以用U""
做什么。 - Luc Dantonchar c = u'0'
的内容,从而保证c == 0x30
?如果是这样的话,那么我猜不包括ASCII字符文字的逻辑与不提供显式short int文字相同。 - jbatezUTF-8字符字面量的长度是可变的——对于大多数字符来说,无法存储单个字符于 char
或 wchar
中,那么它应该是什么类型呢?既然 C 和 C++ 都没有可变长度类型,除了固定大小类型的数组外,唯一合理的类型就是 const char *
了,而 C 字符串需要以空字符结尾,因此这并不会改变任何事情。
至于修改:
C++11 标准的引用:
基本源字符集成员的字形用于识别与 ASCII 字符集相对应的 ISO/IEC 10646 的子集中的字符。但是,由于从源文件字符到源字符集的映射(在翻译阶段 1 中描述)被指定为实现定义,因此必须记录实现如何在源文件中表示基本源字符。
(见 2.3.1 脚注)。
我认为这是不保证的充分理由。尽管正如您在此处的评论中指出的那样,对于大多数(或每个)主流编译器来说,字符字面量的 ASCII 特性是实现所保证的。
wchar_t
和L'0'
呢?在任何编译器上,它确实是0x30 0x00。 - Forgottn对于C++,这个问题已经被Evolution Working Group issue 119: Adding u8 character literals解决了,其Motivation部分如下:
这是使用 N4267:添加u8字符字面量 中的措辞并纳入到工作草案中的,在此最新的标准草案 N4527 中可以找到该措辞,并且请注意,第我们有五种字符串字面量的编码前缀(无、L、u8、u、U),但只有四种字符字面量的编码前缀——缺少的是u8。如果窄执行字符集不是ASCII,则u8字符字面量将提供一种使用保证ASCII编码的字符字面量的方法(单代码单元u8编码正好是ASCII)。添加对这些字面量的支持将增加一个有用的功能,并使语言略微更加一致。
EWG在Rapperswil讨论了添加u8字符字面量的想法并接受了这个改变。本文提供了该扩展的措辞。
2.14.3
节指出它们仅限于适合单个 UTF-8 代码单元的代码点:
以 u8 开头的字符字面量(例如 u8'w')是 char 类型的字符字面量,称为 UTF-8 字符字面量。UTF-8 字符字面量的值等于其 ISO10646 代码点值,前提是该代码点值可用单个 UTF-8 代码单元表示(即,提供它是 US-ASCII 字符)。包含多个 c-char 的 UTF-8 字符字面量是非法的。
正如您所知,UTF-8编码的字符需要多个八位字节,因此需要使用char[]
类型,这确实是前缀字符串字面量的类型!因此,C11在这里走在了正确的轨道上,只是它坚持使用"
作为字符串的语法约定,需要将其用作char数组,而不是您暗示的基于语义的建议,即改用'
。
关于"0"
与u8"0"
,您读得没错,只有后者保证在EBCDIC系统上也与{ 0x30, 0 }
完全相同。顺便说一下,如果您注意到预定义标识符__STDC_MB_MIGHT_NEQ_WC__
,那么前者不相同的事实可以方便地在您的代码中处理。
如果您不相信编译器会将'0'
视为ASCII字符0x30,那么您可以使用static_cast<char>(0x30)
代替。
char(30)
如果你不想打那么多字)添加新的语法是过度的。 - Edward Loperu8"string"
字面量来保证编码,我可能不会那么烦恼。但是,显然,由于这些存在,任何符合标准的编译器都已经具备将源字符映射到 UTF-8 和 ASCII 字符的逻辑。 - jbatez
case u8"A"[0]:
)。 - bames53*u8"A"
。这也是一个常量表达式。 - bames53