如何使用C从字符串中获取Utf-8字符？

Question

旧问题： 如何使用C限制SubString？ ，但是没有人没有回答我的问题。

我想从字符串中获取一个索引。

我的字符串可能包含符号和utf-8字符。（例如： ß ）

弦速对我来说很重要。

1＃： w_char_t数据类型对我有好处？

2＃：如何从utf-8字符串中获取字符？

#include <stdio.h>
#include <stdlib.h>
#include <wchar.h>
#include <string.h>

int main()
{
wchar_t *msg1 = L"ßC Programming";
//wprintf(L" vals> %Ls\n",msg1);
//wprintf(L" vals> %s\n",msg1);
printf(" vals> %Ls %S\n",msg1,msg1);//dont show any=====>BUG
printf(" val> %Lc\n",msg1[1]);//show `C`
printf(" val> %Lc\n",msg1[0]);//dont show any=====>BUG
printf("\n");
/////////////////////////////////
char *msg2 = "ßC Programming";
printf(" vals> %s\n",msg2);//show `ßC Programming`
printf(" val> %c\n",msg2[1]);//show `�`=====>BUG
printf(" val> %c\n",msg2[0]);//show `�`=====>BUG
printf("\n");
}

请指导我解决问题。

Answer 1

wchar_t可以选择。 不过，您应该知道它使用的编码。 如果它是16位宽，使用utf-16（常见，但不能保证），并且您使用的代码点等于或大于0x10000（U + 10000），那么您再次遇到相同的问题...

不过，我个人宁愿使用普通字符。

现在的问题是，如何检测多字节字符。 您可以通过查看最高有效位来发现它们：如果未设置，则您有一个普通字符（与ASCII兼容...），如果已设置，则该字节是多字节字符的一部分。

如果还设置了第二个MSB，则它是多字节序列的起始字节，如果未设置，则是后续字节。

utf-8多字节序列的格式如下：

第一个字节：将n个最高有效位设置为1，指定整个序列包含多少个字节，后跟一个零位。 其余位是Unicode代码点的最高有效位。

随后的每个字节都有10个最高有效位，其余6位是代码点的下一个最高有效位。

示例字母“ß”：它的Unicode代码点为0xdf，二进制为0b11011111。

需要8位，而不适合单个字节字符的7位，因此我们需要将其拆分：

11 + 011111

我们总共需要两个字节，因此我们需要添加字节头110和10 ； 然后必须用零填充第一个字节：

110 000 11 + 10 011111

这样就得到了字节序列0b11000011、0b10011111（十六进制：0xc3、0x9f）。

但是，有图书馆对此提供了便利。 例如，您可能对ICU感兴趣。