浅谈C中的wprintf和宽字符显示

淡淡的烟草味﹌ 2022-09-20 15:07 189阅读 0赞

今天在CSDN的Blog首页看到一篇文章“ [也谈计算机字符编码][Link 1] ”，由于前一阵业余翻译了 [“UTF-8 and Unicode FAQ for Unix/Linux][UTF-8 and Unicode FAQ for Unix_Linux]”一文，自己对字符集、编码和Unicode等内容一直保着者很强的兴趣，自然不会放过这样的文章。  
  
作者的文章写得很明白易懂，虽然有一些概念上的细节问题我觉得有商榷之处；作者还给出一个简单的在windows下使用wprintf正确输出字符串“中文”的小例子，我linux下模仿作者给出的示例代码写了如下的示例代码：

![None.gif][] \#include  < cstdio >   
![None.gif][]\#include  < cstdlib >   
![None.gif][]\#include  < clocale >   
![None.gif][]\#include  < cwchar >   
![None.gif][]  
![None.gif][] int  main( int  argc,  char  \*  argv\[\])  
![ExpandedBlockStart.gif][]![ContractedBlock.gif][] ... \{  
![InBlock.gif][] wchar\_t wstr\[\] = L"中文";  
![InBlock.gif][] setlocale(LC\_ALL, "zh\_CN.UTF-8");   
![InBlock.gif][] wprintf(L"%s/n",wstr);  
![InBlock.gif][]  
![InBlock.gif][]return0;  
![ExpandedBlockEnd.gif][]\}   
![None.gif][]![None.gif][]

这里需要说明的是我的机器的locale为"zh\_CN-UTF-8"  
  
然而程序的运行结果却让我很诧异

![None.gif][] whodare@whodare: $ ./a.out  
![None.gif][]\-N

我的第一反应就是作者的示例代码是不是有问题，毕竟这里面调用的全都是C的标准库函数，不应该存在移植性问题；然而，我找了台windows机器测试作者的代码，结果让我很郁闷，一切正常......  
  
为 什么我在Linux下的程序就不对呢？我很不服气，于是开始以各种关键字进行搜索，想看看别人是否遇到过类似的问题。一个搜索结果引起了我的主意，有人说 问题出在wprintf中的格式转换符上，将%s替换成%ls就没有这样的问题。带着几分怀疑，我修改了上面的程序，编译运行后，居然真的就没问题了

![None.gif][] \#include  < cstdio >   
![None.gif][]\#include  < cstdlib >   
![None.gif][]\#include  < clocale >   
![None.gif][]\#include  < cwchar >   
![None.gif][]  
![None.gif][] int  main( int  argc,  char  \*  argv\[\])  
![ExpandedBlockStart.gif][]![ContractedBlock.gif][]... ... \{  
![InBlock.gif][] wchar\_t wstr\[\] = L"中文";  
![InBlock.gif][] setlocale(LC\_ALL, "zh\_CN.UTF-8");  
![InBlock.gif][] wprintf(L"%s ",wstr);  
![InBlock.gif][] wprintf(L"%ls ",wstr);  
![InBlock.gif][]  
![InBlock.gif][]return0;  
![ExpandedBlockEnd.gif][]\}

上述代码的运行结果

![None.gif][] whodare@whodare:$ . / a. out   
![None.gif][] \- N  
![None.gif][]中文  
![None.gif][]

问题解决了，可我还是感到迷茫：格式转换符"ls"和“s"的区别是什么？为什么原来的程序会出问题？“-N"这个字符串是怎么冒出来的？为什么作者在windows下的程序就不存在该问题？  
  
这么多的疑惑堵在心口，我哪能心安呢。知其然还要知其所以然嘛！花了一个下午的时间仔细读了下wprintf的manual，并在gdb的帮助下做了各种试验，终于算是把我的疑惑基本都解决了。  
  
一、以下的所有试验都是以“中文”为例，因此有必要先把它的Unicdoe码值、UTF-8编码都列出来，以便于更好的理解下文  
  
‘中’ Unicode码值：U+4E2D UTF-8 编码 e4 b8 ad  
‘文’ Unicode码值：U+6587 UTF-8 编码 e6 96 87  
  
二、我们需要理解用char\[ \]和wchar\_t \[ \]来存放“中文”时有什么不同

![None.gif][]  char  str\[\] = " 中文 " ;  
![None.gif][] wchar\_t wstr\[\]  =  L " 中文 " ;

我们使用gdb这个强大的工具来查看str\[\]和wst\[\]中究竟都存放了哪些值(请注意颜色之间的对应关系)

![None.gif][] (gdb) x  / 8xb  & str  
![None.gif][] 0xbf83decd :  0xe4 0xb8 0xad 0xe6 0x96 0x87 0x00  0xf0   
![None.gif][](gdb) x  / 12xb  & wstr  
0xbf83dec0: 0x2d 0x4e 0x00 0x00 0x87 0x65 0x00 0x00  
0xbf83dec8: 0x00 0x00 0x00 0x00  
 ![None.gif][]

不难看出，char str\[ \]中存储的是“中文"的UTF-8编码，这是因为我的机器的locale是zh\_CN.UTF-8，程序源文件的自然采用的是UTF-8编码，因此编译器 在处理 char str\[ \]="中文"; 时，t它对str\[\]所做得初始化实际上可以理解成 char str\[ \]=\{ 0xe4,0xb8,0xad,0xe6,0x96,0x87,0x00\}  
  
而wchar\_t wstr\[ \]中存放的是“中文"的Unicode码值，这符合C标准对宽字符的定义。这里需要解释的是C标准中规定宽字符是16 bit的字符，而从GNU glibc 2.2开始，类型wchar\_t只用于存放32-bit的ISO 10646码值(你可以粗略的把ISO 10646理解成Unicode，尽管它们并不是一回事)，而独立于当前使用的locale；因此在上面的输出中，我们看到每个Unicode码值用 32bit表示，而不是16bit。  
  
三、关于%s和%ls的区别  
  
我搜到了一篇帖子(很伤感，我再此发现在CS领域，最靠的住的资料总是英文的)，里面对各种格式转换符有详细的解释，愿意看原文的同学直接忽略本段文字.......  
  
http://www-ccs.ucsd.edu/c/lib\_prin.html  
  
首先，%ls和%s的区别很简单，%ls意味着将对应的参数会被当作基于宽字符的字符串(wide chraracter string )看待，而%s则意味着对应的参数会被当作普通字符串(multi-byte string)看待。  
  
其次，不要因为上面一句话而错误的认为%s只用于printf，而%ls只用于wprintf 。实际上，(printf, wprintf) 和(%s,%ls)这两个元组之间是相互独立的，也就是说它们之间的四种组合都是可以的。  
  
再次，printf用于byte stream，即输出流中的每个字符颤1 byte；而wprintf则用于wide stream，输出流中的每个字符不止 1 byte。  
  
说了一堆废话，还是结合实例来看看%ls和%s的区别吧  
  
例子1 printf + %s + wstr

![None.gif][] printf( " %s  " ,wstr);  
![None.gif][]  
![None.gif][]whodare@whodare:$ . / a. out   
![None.gif][] \- N  
![None.gif][]

哈，这个郁闷的"-N"又一次出现！为什么会出现呢？让我来分析一下printf在执行时所完成的操作吧。  
  
这里用了%s, printf 就会将对应的参数wstr视为普通字符串（尽管我们清楚他是个wcs而不是mbs）；另一方面，我们已经看到了wstr\[ \]的内存布局，其前3 byte为 0x2d ,0x4e,0x00。我们都知道C中的字符串以'/0'为结束标志，因此printf只会处理wstr\[ \]中的前三个byte，而查一查ASCII表，0x2d对应字符'-'，0x4e对应字符'N'，所以我们会看到”-N"这个诡异的输出。  
  
例子2 printf + %ls + wstr

![None.gif][] printf( " %ls  " ,wstr);  
![None.gif][]  
![None.gif][]whodare@whodare:$ . / a. out   
![None.gif][]中文  
![None.gif][]

使用了%ls,printf会将对应的参数视为宽字符串(wcs)，而printf又对应byte stream，因此这里要对宽字符(wcs)进行转换，变成普通的字符串(mbs)。这里的转换是printf通过对每个宽字符隐式的调用wcrtomb ()这个标准库函数完成的。按么，wcrtomb()这个函数进行是按照什么规则进行转换的？这就是setlocale()的作用所在了，wcrtomb 会依据程序员设定的locale，将wcha\_t中存放的码值，转换为相应的的多字节编码。  
  
回到例子中，我的机器的locale为zh\_CN.UTF-8，对应的编码为UTF-8，因此wstr\[ \]中存放的Unicode码值会转换为UTF-8编码的形式输出到标准输出流中，这样采用UTF-8编码的console就能正确识别受到的字节流并显示出"中文"  
  
例子3 wprintf + %s +wstr (最初的代码！)

![None.gif][] wprintf(L " %s  " ,wstr);  
![None.gif][]  
![None.gif][]whodare@whodare:$ . / a. out   
![None.gif][] \- N  
![None.gif][]

使用了%s,wprintf会将对应的参数视为普通字符串mbs，尽管我们还是很清楚它其实是个wcs。wprintf 使用的是wide stream,因此需要将所给的mbs参数转换为wcs再由wprintf完成输出；这个转换是由wprintf隐式的对mbs不断调用mbrtowc来 完成，转换规则依然是和locale相关的。  
  
  
我们知道wstr的内存布局为：   
0x2d 0x4e 0x00 0x00 0x87 0x65 0x00 0x00  
0x00 0x00 0x00 0x00  
  
该"mbs"的转换结果为 L‘0x2d' + L '0x4e' + L '0x00' ，最终输出结果又是讨厌的"-N"  
  
例子4 wprintf + %ls+ wstr

![None.gif][] wprintf(L " %ls  " ,wstr);  
![None.gif][]  
![None.gif][]whodare@whodare:$ . / a. out   
![None.gif][]中文  
![None.gif][]  
![None.gif][]

使用了%ls,wprintf会将对应参数视为宽字符串wcs，这次终于没有搞错。因此wprintf会顺利的将给定的宽字符串写入标准输出流，最终正确显示"中文"  
  
  
看完这4个例子，你对wprintf、printf和%ls 、%s的使用还有疑惑么？  
  
四、小结  
  
1。要清楚%ls和%s的意义在于指明所期待的参数是何种字符串，而printf和wprintf的区别在于所使用的是不同类型的stream  
  
2。貌似在linux下输出“中文"的正确方法是 wprintf( "%ls/n",L"中文") ，而引文中作者在Windows成功操作的wprintf("%s/n", L"中文")在linux无法正确工作，至于为何wprintf这个标准库函数在两个系统下有不同表现，我是无心再向下深挖了，难道这又是VC一处不符合 标准的地方？.......  
  
3 。貌似还有一个%S，单独用于表示对应参数是宽字符串  
  
谁能告诉我该问题的答案，不盛感激.......

[Link 1]: http://blog.csdn.net/bigwhite20xx/archive/2007/11/03/1864908.aspx
[UTF-8 and Unicode FAQ for Unix_Linux]: http://blog.csdn.net/lovekatherine/archive/2007/08/30/1765903.aspx
[None.gif]: /images/20220828/adc15886bb3941eea99ef2bdd7dc71f2.png
[ExpandedBlockStart.gif]: http://images.csdn.net/syntaxhighlighting/OutliningIndicators/ExpandedBlockStart.gif
[ContractedBlock.gif]: /images/20220828/06837a50f17d480c96710a04bbccb2fe.png
[InBlock.gif]: /images/20220828/e6c9120054084bad8c58364acd65f996.png
[ExpandedBlockEnd.gif]: /images/20220828/008e5f126b42446d926d96875bb119d2.png