[英]How to iterate through unicode characters and print them on the screen with printf in C?
我想迭代所有(至少16位)unicode字符並用C在屏幕上打印它們。
我知道有關於SO的相關問題,但是他們沒有用printf
解決printf
的問題,但這是我想要實現的,如果它畢竟是可能的話。 我認為應該可能有一個我不知道的技巧。
既然我想使用printf,我想到了這樣的事情:
for (int i = 0x0000; i <= 0xffff; i++) {
//then somehow increment the string
char str[] = "\u25A1\n";
printf("%s", str);
char str[] = "\u25A2\n";
printf("%s", str);
char str[] = "\u25A3\n";
printf("%s", str);
...
}
但是增加unicode代碼點是一個小問題,在這里\□
。 我知道它本身是不可能的,因為像\
這樣的字符是不可打印的,編譯器說不。 但除此之外,我怎么能從十六進制0000增加到ffff並用printf
打印字符。
如果定義了__STDC_ISO_10646__
宏,則寬字符對應於Unicode代碼點。 因此,假設一個可以表示您感興趣的字符的語言環境,您可以通過%lc
格式轉換printf()
寬字符:
#include <stdio.h>
#include <locale.h>
#ifndef __STDC_ISO_10646__
#error "Oops, our wide chars are not Unicode codepoints, sorry!"
#endif
int main()
{
int i;
setlocale(LC_ALL, "");
for (i = 0; i < 0xffff; i++) {
printf("%x - %lc\n", i, i);
}
return 0;
}
在C99中,您可以使用寬字符到多字節字符轉換函數wctomb()
或wcrtomb()
,使用當前字符集將每個代碼點轉換為本地表示。 (代碼點在當前字符集中,而不是Unicode。)請記住使用setlocale()
來確保轉換函數知道用戶區域設置(最重要的是,使用當前字符集)。 轉換函數使用LC_CTYPE
類別,但您仍應使用setlocale(LC_ALL, "");
至於任何其他語言環境感知程序。
(並非所有系統都安裝了C.UTF-8
語言環境,因此我不建議嘗試使用setlocale(LC_ALL, "C.UTF-8");
將C.UTF-8
語言環境覆蓋到標准C setlocale(LC_ALL, "C.UTF-8");
一些系統,但不是全部。例如,AFAIK在基於Fedora的Linux發行版中不起作用。)
因為你想輸出所有Unicode代碼點,我建議采用不同的方法:使用通用字符集轉換格式之一,即UTF-8 ,UTF-16(UCS-2在1996年被UTF-16取代)或UTF -32(也稱為UCS-4)。 UTF-8是Web上最常用的 - 特別是在您正在查看的這個網頁上 - 並且非常易於使用。
有關為什么您更喜歡UTF-8而非“原生寬字符串”的進一步閱讀,請參閱utf8everywhere.org 。
如果你想要真正的可移植代碼,可以使用這個頭文件utf8.h將UTF-8轉換為unicode代碼點( utf8_to_code()
),將Unicode代碼轉換為UTF-8( code_to_utf8()
):
#ifndef UTF8_H
#define UTF8_H
#include <stdlib.h>
#include <errno.h>
#define UTF8_MAXLEN 6
static size_t utf8_to_code(const unsigned char *const buffer, unsigned int *const codeptr)
{
if (!buffer) {
errno = EINVAL;
return 0;
}
if (*buffer == 0U) {
errno = 0;
return 0;
}
if (*buffer < 128U) {
if (codeptr)
*codeptr = buffer[0];
return 1;
}
if (*buffer < 192U) {
errno = EILSEQ;
return 0;
}
if (*buffer < 224U) {
if (buffer[1] >= 128U && buffer[1] < 192U)
return ((buffer[0] - 192U) << 6U)
| (buffer[1] - 128U);
errno = EILSEQ;
return 0;
}
if (*buffer < 240U) {
if (buffer[1] >= 128U && buffer[1] < 192U &&
buffer[2] >= 128U && buffer[2] < 192U)
return ((buffer[0] - 224U) << 12U)
| ((buffer[1] - 128U) << 6U)
| (buffer[2] - 128U);
errno = EILSEQ;
return 0;
}
if (*buffer < 248U) {
if (buffer[1] >= 128U && buffer[1] < 192U &&
buffer[2] >= 128U && buffer[2] < 192U &&
buffer[3] >= 128U && buffer[3] < 192U)
return ((buffer[0] - 240U) << 18U)
| ((buffer[1] - 128U) << 12U)
| ((buffer[2] - 128U) << 6U)
| (buffer[3] - 128U);
errno = EILSEQ;
return 0;
}
if (*buffer < 252U) {
if (buffer[1] >= 128U && buffer[1] < 192U &&
buffer[2] >= 128U && buffer[2] < 192U &&
buffer[3] >= 128U && buffer[3] < 192U &&
buffer[4] >= 128U && buffer[4] < 192U)
return ((buffer[0] - 248U) << 24U)
| ((buffer[1] - 128U) << 18U)
| ((buffer[2] - 128U) << 12U)
| ((buffer[3] - 128U) << 6U)
| (buffer[4] - 128U);
errno = EILSEQ;
return 0;
}
if (*buffer < 254U) {
if (buffer[1] >= 128U && buffer[1] < 192U &&
buffer[2] >= 128U && buffer[2] < 192U &&
buffer[3] >= 128U && buffer[3] < 192U &&
buffer[4] >= 128U && buffer[4] < 192U &&
buffer[5] >= 128U && buffer[5] < 192U)
return ((buffer[0] - 252U) << 30U)
| ((buffer[1] - 128U) << 24U)
| ((buffer[2] - 128U) << 18U)
| ((buffer[3] - 128U) << 12U)
| ((buffer[4] - 128U) << 6U)
| (buffer[5] - 128U);
errno = EILSEQ;
return 0;
}
errno = EILSEQ;
return 0;
}
static size_t code_to_utf8(unsigned char *const buffer, const unsigned int code)
{
if (code < 128U) {
buffer[0] = code;
return 1;
}
if (code < 2048U) {
buffer[0] = 0xC0U | (code >> 6U);
buffer[1] = 0x80U | (code & 0x3FU);
return 2;
}
if (code < 65536) {
buffer[0] = 0xE0U | (code >> 12U);
buffer[1] = 0x80U | ((code >> 6U) & 0x3FU);
buffer[2] = 0x80U | (code & 0x3FU);
return 3;
}
if (code < 2097152U) {
buffer[0] = 0xF0U | (code >> 18U);
buffer[1] = 0x80U | ((code >> 12U) & 0x3FU);
buffer[2] = 0x80U | ((code >> 6U) & 0x3FU);
buffer[3] = 0x80U | (code & 0x3FU);
return 4;
}
if (code < 67108864U) {
buffer[0] = 0xF8U | (code >> 24U);
buffer[1] = 0x80U | ((code >> 18U) & 0x3FU);
buffer[2] = 0x80U | ((code >> 12U) & 0x3FU);
buffer[3] = 0x80U | ((code >> 6U) & 0x3FU);
buffer[4] = 0x80U | (code & 0x3FU);
return 5;
}
if (code <= 2147483647U) {
buffer[0] = 0xFCU | (code >> 30U);
buffer[1] = 0x80U | ((code >> 24U) & 0x3FU);
buffer[2] = 0x80U | ((code >> 18U) & 0x3FU);
buffer[3] = 0x80U | ((code >> 12U) & 0x3FU);
buffer[4] = 0x80U | ((code >> 6U) & 0x3FU);
buffer[5] = 0x80U | (code & 0x3FU);
return 6;
}
errno = EINVAL;
return 0;
}
#endif /* UTF8_H */
它並不快,但它應該易於理解,並且在所有具有至少32位無符號整數的系統上支持所有可能的Unicode代碼點(U + 0000到U + 10FFFF,包括)。 在具有16位無符號整數的系統上,編譯器可能會警告無法訪問的代碼,並且它僅支持前65536個代碼點(U + 0000到U + FFFF)。
使用上面的utf8.h ,您可以輕松編寫一個C程序,輸出包含所需Unicode字符的HTML頁面(不包括控制字符U + 0000-U + 001F和U + 007F-U + 00BF,包括無效代碼點) U + D800-U + DFFF,含)。 例如, page.c :
#include <stdlib.h>
#include <stdio.h>
#include <errno.h>
#include "utf8.h"
int main(void)
{
unsigned char ch[UTF8_MAXLEN + 1];
unsigned int i;
const char *str;
size_t n, len;
/* HTML5 DOCTYPE */
printf("<!DOCTYPE html>\n");
printf("<html>\n");
/* Header part. */
printf(" <head>\n");
printf(" <title> Unicode character list </title>\n");
printf(" <meta http-equiv=\"Content-Type\" content=\"text/html; charset=UTF-8\">\n");
printf(" <style type=\"text/css\">\n");
/* with internal CSS stylesheet: */
printf(" html {\n");
printf(" font-family: \"DejaVu Mono\", \"Courier New\", \"Courier\", monospace;\n");
printf(" font-weight: normal;\n");
printf(" font-size: 100%%;\n");
printf(" text-decoration: none;\n");
printf(" background: #f7f7f7;\n");
printf(" color: #000000;\n");
printf(" padding: 0 0 0 0;\n");
printf(" border: 0 none;\n");
printf(" margin: 0 0 0 0\n");
printf(" }\n");
printf(" body {\n");
printf(" background: #ffffff;\n");
printf(" padding: 0.5em 1em 0.5em 1em;\n");
printf(" border: 1px solid #cccccc;\n");
printf(" margin: 0 auto auto auto;\n");
printf(" width: 12em;\n");
printf(" text-align: center;\n");
printf(" }\n");
printf(" p {\n");
printf(" padding: 0 0 0 0;\n");
printf(" border: 0 none;\n");
printf(" margin: 0 0 0 0;\n");
printf(" outline: 0 none;\n");
printf(" text-align: center;\n");
printf(" }\n");
printf(" p.odd {\n");
printf(" background: #efefef;\n");
printf(" }\n");
printf(" p.even {\n");
printf(" background: #f7f7f7;\n");
printf(" }\n");
printf(" span.code {\n");
printf(" width: 8em;\n");
printf(" text-align: right;\n");
printf(" }\n");
printf(" span.char {\n");
printf(" width: 4em;\n");
printf(" text-align: left;\n");
printf(" }\n");
printf(" </style>\n");
printf(" </head>\n");
/* Body part. */
printf(" <body>\n");
n = 0;
for (i = 0U; i <= 0xFFFFU; i++) {
/* Skip Unicode control characters. */
if ((i >= 0U && i <= 31U) ||
(i >= 127U && i <= 159U))
continue;
/* Skip invalid Unicode code points. */
if (i >= 0xD800U && i <= 0xDFFFU)
continue;
len = code_to_utf8(ch, i);
if (len > 0) {
ch[len] = '\0';
/* HTML does not like " & < > */
if (i == 32U)
str = " ";
else
if (i == 34U)
str = """;
else
if (i == 38U)
str = "&";
else
if (i == 60U)
str = "<";
else
if (i == 62U)
str = ">";
else
str = (const char *)ch;
if (n & 1) {
printf(" <p class=\"odd\" title=\"%u in decimal, &#%u; = %s\">", i, i, str);
printf("<span class=\"code\">U+%04X</span>", i);
printf(" <span class=\"char\">%s</span>", str);
printf("</p>\n");
} else {
printf(" <p class=\"even\" title=\"%u in decimal, &#%u; = %s\">", i, i, str);
printf("<span class=\"code\">U+%04X</span>", i);
printf(" <span class=\"char\">%s</span>", str);
printf("</p>\n");
}
n++;
}
}
printf(" </body>\n");
printf("</html>\n");
return EXIT_SUCCESS;
}
將輸出重定向到文件,您可以在任何您喜歡的瀏覽器中打開該文件。 如果您的瀏覽器是理智的,並且不處理與從Web服務器獲得的文件不同的本地文件,那么您應該看到正確的輸出。
(如果你在U + 00A0之后看到每個代碼點有多個字符,你的瀏覽器已經決定,因為該文件是本地的,它使用的是一個明確表明它使用的不同字符集。如果發生這種情況,請切換到一個理智的瀏覽器,或覆蓋字符集選擇。)
如果需要,您可以將代碼打印為UTF-8文本,例如使用text.c :
#include <stdlib.h>
#include <stdio.h>
#include <errno.h>
#include "utf8.h"
int main(void)
{
unsigned char ch[UTF8_MAXLEN + 1];
unsigned int i;
size_t len;
for (i = 0U; i <= 0xFFFFU; i++) {
/* Skip Unicode control characters. */
if ((i >= 0U && i <= 31U) ||
(i >= 127U && i <= 159U))
continue;
/* Skip invalid Unicode code points. */
if (i >= 0xD800U && i <= 0xDFFFU)
continue;
len = code_to_utf8(ch, i);
if (len > 0) {
ch[len] = '\0';
printf("U+%04X %s \n", i, ch);
}
}
return EXIT_SUCCESS;
}
但是你必須確保您的終端或終端仿真器支持UTF-8並使用UTF-8語言環境,或者您將輸出重定向到文本文件並在編輯器中打開該文件,該編輯器假定文件使用UTF-8或允許您顯式選擇UTF-8字符集。
請注意,每個字符前后都有一個空格。 因為某些代碼點是組合字符,所以它們可能根本不顯示,除非它們可以與另一個字符組合,並且大多數(全部?)與空間結合得很好。
如果你使用Windows,那么你必須符合Microsoft的愚蠢,並添加一個特殊的“字節順序標記” - printf("\\xEF\\xBB\\xBF");
- 到輸出的開頭,以便像Notepad這樣的實用程序將文件識別為UTF-8。 這是一個僅限Windows的疣,並將其視為這樣。
有問題嗎?
將16位Unicode代碼點轉換為多字節字符序列的函數是c16rtomb
; 如果你想處理32位代碼點,還有c32rtomb
:
#include <uchar.h>
mbstate_t ps;
char buf[MB_CUR_MAX];
size_t bytes = c16rtomb(buf, i, &ps);
if (bytes != (size_t) -1) {
printf("%.*s\n", bytes, buf);
}
如果c16rtomb
不可用,您將需要使用特定於平台的設施。
我會選擇這樣的東西(使用原始的UTF-8編碼):
char unicode[3] = { 0x00, 0x00, 0x00 };
for(size_t i=0; i<0xffff; i++)
{
printf("%s\n", unicode);
uint16_t * code = &unicode[0];
*code = *code +1;
}
printf
顯示 當然它可以優化為:
char*
- > uint16_t
不是很優雅(觸發警告) uint32_t
並定義一個5字節的char*
緩沖區 [編輯]如評論中所述,此循環實際上會生成許多無效的UTF-8序列。 實際上,從U+007F
到U+0080
的代碼點為+1,但在UTF-8中,您從0x7F
跳到0xC280
:您需要在循環中排除某些范圍。
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.