Linux で C 言語を学んでいるのですが、ちょっと変わった状況に遭遇しました。
私の知る限り、標準の C のcharデータ型は ASCII、1 バイト (8 ビット) です。つまり、ASCII 文字のみを保持できるということです。
私のプログラムでは、次の疑似コードのような関数char input[]で満たされている を使用しています。getchar
char input[20];
int z, i;
for(i = 0; i < 20; i++)
{
z = getchar();
input[i] = z;
}
奇妙なことは、ASCII 文字だけでなく@&@{čřžŧ¶'`[łĐŧđж←^€~[←^ø{&}čž、入力など、私が想像するあらゆる文字に対しても機能することです。
私の質問は - どのように可能ですか? これは C の多くの美しい例外の 1 つに思えますが、説明をいただければ幸いです。OS、コンパイラ、隠し言語の追加のスーパー機能の問題ですか？
ありがとう。
ここには魔法はありません。C 言語は、コンピュータのメモリに格納されている生のバイトにアクセスできます。端末が utf-8 を使用している場合 (その可能性が高い)、非 ASCII 文字はメモリ内で 1 バイト以上を使用します。もう一度表示すると、これらのシーケンスを単一の表示文字に変換する端末コードです。
文字列を出力するようにコードを変更するだけstrlenで、私の言いたいことがわかるでしょう。
C で utf-8 の非 ASCII 文字を適切に処理するには、glib、qt などのライブラリを使用して処理する必要があります。
ASCIIは7ビットの文字セットです。Cでは通常8ビット文字で表されます。8ビットバイトの最上位ビットが設定されている場合、それはASCII文字ではありません。
また、ベースとしてASCIIが保証されていないことにも注意してください。多くの場合、他のシナリオは無視されます。「プリミティブ」バイトが英字であるかどうかを確認したい場合、言い換えれば、すべてのシステムに注意を払うときに、次のように言うことはできません。
is_alpha = (c > 0x40 && c < 0x5b) || (c > 0x60 && c < 0x7b);
代わりに、次のように使用ctype.hして言う必要があります。
isalpha(c);
唯一の例外であるAFAIKは数値用であり、少なくともほとんどのテーブルでは、連続した値があります。
したがって、これは機能します。
char ninec = '9';
char eightc = '8';
int nine = ninec - '0';
int eight = eightc - '0';
printf("%d\n", nine);
printf("%d\n", eight);
ただし、これが「a」であるとは限りません。
alhpa_a = 0x61;
ASCIIに基づかない、つまりEBCDICを使用するシステム。このようなプラットフォームのCは引き続き正常に動作しますが、ここでは（ほとんどの場合）7ビットではなく8ビットを使用します。つまり、ASCIIではなくA10進数としてコーディングできます。19365
ただし、ASCIIの場合。10進数の128〜255（8ビット使用中）のバイトは拡張され、ASCIIセットの一部ではありません。つまり、ISO-8859はこの範囲を使用します。
よく行われること; また、2バイト以上を1文字に結合することもできます。したがって、たとえばutf8 0xc3 0x98 ==Øとして定義されている2バイトを次々に印刷すると、この文字が得られます。
これも、使用している環境によって異なります。多くのシステム/環境では、ASCII値を印刷すると、文字セットやシステムなどで同じ結果が得られます。ただし、127を超えるバイトまたは二重バイト文字を印刷すると、ローカル構成によって異なる結果が得られます。
すなわち：
プログラムを実行しているAさんは
Jasŋ€</p>
Bさんが
Jasπß
これはおそらく、拡張文字のシングルバイト表現などのISO-8859シリーズおよびWindows-1252に特に関係があります。
10。あれは; UTF-8の最初のバイトは、ASCIIでない場合、この文字のバイト数を示します。最上位ビットが0であるため、ASCII文字はこれ以上バイトが続かないと言うこともできます。
つまり、ファイルがUTF-8として解釈された場合：
fgetc(c);
if c < 128, 0x80, then ASCII
if c == 194, 0xC2, then one more byte follow, interpret to symbol
if c == 226, 0xE2, then two more byte follows, interpret to symbol
...
例として。あなたが言及したキャラクターの1人を見ると。UTF-8端末の場合：
$echo-n"č"| xxd
降伏する必要があります：
0000000：c48d.。
言い換えると、「č」は2バイトの0xc4と0x8dで表されます。xxdコマンドに-bを追加すると、バイトのバイナリ表現が得られます。次のように分析します。
___ byte 1 ___ ___ byte 2 ___
| | | |
0xc4 : 1100 0100 0x8d : 1000 1101
| |
| +-- all "follow" bytes starts with 10, rest: 00 1101
|
+ 11 -> 2 bits set = two byte symbol, the "bits set" sequence
end with 0. (here 3 bits are used 110) : rest 0 0100
Rest bits combined: xxx0 0100 xx00 1101 => 00100001101
\____/ \_____/
| |
| +--- From last byte
+------------ From first byte
これにより、次のようになります。00100001101 2 = 269 10 =0x10D=>コードポイントU+010D=="č"のコードを解除します。
この番号は、HTMLでもč==čとして使用できます。
これと他の多くのコードシステムに共通するのは、8ビットバイトがベースであるということです。
多くの場合、それは文脈についての質問でもあります。例として、ETSI GSM 03.38 / 03.40（3GPP TS 23.038、3GPP 23038 ）を使用したGSMSMSを取り上げます。そこには、7ビットの文字テーブル、7ビットのGSMのデフォルトのアルファベットもありますが、それらを8ビットとして格納する代わりに、7ビット1として格納されます。このようにして、指定されたバイト数にさらに多くの文字をパックできます。つまり、標準のSMS 160文字は、ASCIIの場合は1280ビットまたは160バイトになり、SMSの場合は1120または140バイトになります。
1例外なくではありません（それは物語にもっとあります）。
つまり、SMS UDP形式でASCIIにセプテット（7ビット）C8329BFD06として保存されたバイトの簡単な例：
_________
7 bit UDP represented | +--- Alphas has same bits as ASCII
as 8 bit hex '0.......'
C8329BFDBEBEE56C32 1100100 d * Prev last 6 bits + pp 1
| | | | | | | | +- 00 110010 -> 1101100 l * Prev last 7 bits
| | | | | | | +--- 0 1101100 -> 1110010 r * Prev 7 + 0 bits
| | | | | | +----- 1110010 1 -> 1101111 o * Last 1 + prev 6
| | | | | +------- 101111 10 -> 1010111 W * Last 2 + prev 5
| | | | +--------- 10111 110 -> 1101111 o * Last 3 + prev 4
| | | +----------- 1111 1101 -> 1101100 l * Last 4 + prev 3
| | +------------- 100 11011 -> 1101100 l * Last 5 + prev 2
| +--------------- 00 110010 -> 1100101 e * Last 6 + prev 1
+----------------- 1 1001000 -> 1001000 H * Last 7 bits
'------'
|
+----- GSM Table as binary
そして、 「アンパック」された9バイトは10文字になります。
ASCII は 8 ビットではなく 7 ビットです。achar []はバイトを保持します。これは、任意のエンコーディング (iso8859-1、utf-8 など) にすることができます。C 気にしない。
非 ASCII 文字用のデータ型wint_t( ) があります。#include <wchar.h>メソッドgetwchar()を使用してそれらを読み取ることができます。