在 C 程序中处理 UTF-8 文本

如果你对 UTF-8 编码不是非常了解,就不要试图在 C 程序中徒手处理 UTF-8 文本。如果你对 UTF-8 非常了解,就更没必要这样做。找一个提供了 UTF-8 文本处理功能并且可以跨平台运行的 C 库来做这件事吧!

GLib 就是这样的库。

从问题出发

下面的这段文本是 UTF-8 编码的(我之所以如此确定,是因为我用的是 Linux 系统,系统默认的文本编码是 UTF-8):

我的 C81 每天都在口袋里
                      @

我需要在 C 程序中读入这些文本。在读到 '@' 字符时,我需要判定 '@' 左侧与之处于同一行的文本是否都是空白字符。

简单起见,我忽略了文件读取的过程,将上述文本表示为 C 字符串:

gchar *demo_text =
        "我的 C81 每天都在口袋里\n"
        "                      @";

注:在 GLib 中,gchar 就是 char,即 typedef char gchar;

下文,当我说『demo_text 字符串』时,指的是以 demo_text 指针的值为基地址的 strlen(demo_text) + 1 个字节的内存空间,这是 C 语言字符串的基本常识。

UTF-8 文本长度与字符定位

为了模拟程序读到 '@' 字符这一时刻,我需要用一个 char * 类型的指针对 demo_text 字符串中的 '@' 字符进行定位。

'@' 字符在 demo_text 的末尾。我需要一个偏移距离,而这个偏移距离就是 demo_text 字串在 UTF-8 编码层次上的长度,通过这个偏移距离,我可以从 demo_text 字符串的基地址跳到 '@' 字符的基地址。

GLib 提供了 g_utf8_strlen 函数计算 UTF-8 字符串长度,因此我可以得到从 demo_text 字串的基地址到 '@' 字符基地址的偏移距离:

glong offset = g_utf8_strlen(demo_text, -1);

结果是 38,恰好是 demo_text 字符串在 UTF-8 编码层次上的长度(不含字串结尾的 null 字符,亦即 '\0' 字符)。

g_utf8_strlen 的原型如下:

glong g_utf8_strlen(const gchar *p, gssize max);

注:glonglong,而 gssizesigned long

g_utf8_strlen 第二个参数 max 的设定规则如下:

  • 如果它是负数,那么就假定字符串是以 null 结尾的(这是 C 字符串常识),然后统计 UTF-8 字符的个数。

  • 如果它为 0,就是不检测字符串长度……这个值纯粹是出来打酱油的。

  • 如果它为正数,表示的是字节数。g_utf8_strlen 会按照字节数从字符串中截取字节,然后再统计所截取的字节对应的 UTF-8 字符的个数。

有了偏移距离,就可以在 demo_text 中定位 '@' 字符了,即:

gchar *tail = g_utf8_offset_to_pointer(demo_text, offset - 1);

此时 tail 的值便是 '@' 字符的基地址。

在 UTF-8 文本中游走

现在已经获得了 '@' 的位置,接下来就是从这个位置开始向左(也就是逆序)遍历 demo_text 字符串的其它字符。GLib 为此提供了 g_utf8_prev_char 函数:

gchar * g_utf8_prev_char(const gchar *str, const gchar *p);

借助 g_utf8_prev_char 函数可以从 str 中获得 p 之前的一个 UTF-8 字符的基地址(p 是当前 UTF-8 字符的基地址)。如果 pstr 相同,即 p 已经指向了字符串的基地址,那么 g_utf8_find_prev_char 会返回 NULL

对于本文要解决的问题而言,利用这个函数,可以写出从 demo_text 中的 '@' 字符所在位置开始逆序遍历 '@' 之前的所有 UTF-8 字符的过程:

glong offset = g_utf8_strlen(demo_text, -1);
gchar *viewer = g_utf8_offset_to_pointer(demo_text, offset - 1);
while (1) {
        viewer = g_utf8_prev_char(viewer);
        if (viewer != demo_text) {
                /* do somthing here */
        } else {
                break;
        }
}

GLib 还提供了一个 g_utf8_next_char,它可以返回当前位置的下一个 UTF-8 字符的基地址。

提取 UTF-8 字符

虽然借助 g_utf8_prev_charg_utf8_next_char 可以让指针在 UTF-8 文本中走动,但是只能将一个指针定位到某个 UTF-8 字符的基地址,如果我们想得到这个 UTF-8 字符,就不是那么容易了。

例如

viewer = g_utf8_prev_char(viewer);

此时,虽然可以将 viewer 向前移动一个 UTF-8 字符宽度的距离,到达了一个新的 UTF-8 字符的基地址,但是如果我想将这个新的 UTF-8 字符打印出来,像下面这样做肯定是不行的:

g_print("%s", viewer);

注:g_print 函数与 C 标准库中的 printf 函数功能基本等价,只不过 g_print 可以借助 g_set_print_handler 函数实现输出的『重定向』。

因为 g_print 要通过 viewer 打印单个 UTF-8 字符,前提是这个 UTF-8 字符之后需要有个 '\0',这样就是将一个 UTF-8 字符作为一个普通的 C 字符串打印了出来。这个 UTF-8 字符后面不可能有 '\0',除非它是 demo_text 字符串中的最后一个字符。

要解决这个问题,只能是将 viewer 所指向的 UTF-8 字符相应的字节数据提取出来,放到一个字符数组或在堆中为其创建存储空间,然后再打印这个字符数组或堆空间中的数据。例如:

gchar *new_viewer = g_utf8_next_char(viewer);

sizt_t n = new_viewer - viewer;
gchar *utf8_char = malloc(n + 1);
memcpy(utf8_char, viewer, n);
utf8_char[n] = '\0';
g_print("%s", utf8_char);
free(utf8_char);

这样显然太繁琐了。不过,这意味着我们应该写一个函数专门做这件事。这个函数可取名为 get_utf8_char,定义如下:

static gchar * get_utf8_char(const gchar *base) {
        gchar *new_base = g_utf8_next_char(base);
        gsize n = new_base - base;
        gchar *utf8_char = g_memdup(base, (n + 1));
        utf8_char[n] = '\0';
        return utf8_char;
}

借助这个函数,就可以实现从 demo_text'@' 所在位置开始,逆序打印 '@' 之前的所有 UTF-8 字符:

glong offset = g_utf8_strlen(demo_text, -1);
gchar *viewer = g_utf8_offset_to_pointer(demo_text, offset - 1);
while (1) {
        gchar outbuf[7] = {'\0'};
        viewer = g_utf8_prev_char(viewer);
        if (viewer != demo_text) {
                gchar *utf8_char = get_utf8_char(viewer);
                g_print("%s", utf8_char);
                g_free(utf8_char);
        } else {
                break;
        }
}
g_print("\n");

注:g_memdup 等价于 C 标准库中的 malloc + memcpy,而 g_free 则等价与 C 标准库中的 free

空白字符比较

现在,假设给定一个 UTF-8 字符 x,怎么判断它与某个 UTF-8 字符相等?

不要忘记,所谓的一个 UTF-8 字符,本质上只不过是 char * 类型的指针引用的一段内存空间。基于这一事实,利用 C 标准库提供的 strcmp 函数即可实现 UTF-8 字符的比较。

下面,我定义了函数 is_space,用它判断一个 UTF-8 字符是否为空白字符。

static gboolean is_space(const gchar *s) {
        gboolean ret = FALSE;
        char *space_chars_set[] = {" ", "\t", " "};
        size_t n = sizeof(space_chars_set) / sizeof(space_chars_set[0]);
        for (size_t i = 0; i < n; i++) {
                if (!strcmp(s, space_chars_set[i])) {
                        ret = TRUE;
                        break;
                }
        }
        return ret;
}

注:gboolean 是 GLib 定义的布尔类型,其值要么是 TRUE,要么是 FALSE

is_space 函数中,我只是判断了三种空白字符类型——英文空格、中文全角空格以及制表符。

虽然回车符与换行符也是空白字符,但是为了解决这篇文章开始时提出的问题,我需要单独为换行符定义一个判断函数:

static gboolean is_line_break(const gchar *s) {
        return (!strcmp(s, "\n") ? TRUE : FALSE);
}

解决问题

现在万事俱备,只欠东风,我们应该着手解决问题了。如果读到此处已经忘记了问题是什么,那么请回顾第一节。

尽管下面这段代码看上去挺丑,但是它能够解决问题。

gboolean is_right_at_sign = TRUE;
glong offset = g_utf8_strlen(demo_text, -1);
gchar *viewer = g_utf8_offset_to_pointer(demo_text, offset - 1);
while (viewer != demo_text) {
        viewer = g_utf8_prev_char(viewer);
        gchar *utf8_char = get_utf8_char(viewer);
        if (!is_space(utf8_char)) {
                if (!is_line_break(utf8_char)) {
                        is_right_at_sign = FALSE;
                        g_free(utf8_char);
                        break;
                } else {
                        g_free(utf8_char);
                        break;
                }
        }
        g_free(utf8_char);
}
if (is_right_at_sign) g_print("Right @ !\n");

对上述代码略做简化,可得:

gboolean is_right_at_sign = TRUE;
glong offset = g_utf8_strlen(demo_text, -1);
gchar *viewer = g_utf8_offset_to_pointer(demo_text, offset - 1);
while (viewer != demo_text) {
        viewer = g_utf8_prev_char(viewer);
        gchar *utf8_char = get_utf8_char(viewer);
        if (!is_space(utf8_char)) {
                if (!is_line_break(utf8_char)) is_right_at_sign = FALSE;
                g_free(utf8_char);
                break;
        }
        g_free(utf8_char);
}
if (is_right_at_sign) g_print("Right @ !\n");

其实,如果将 UTF-8 字符的提取与内存释放过程置入 is_spaceis_line_break 函数,即:

static gboolean is_space(const gchar *c) {
        gboolean ret = FALSE;
        gchar *utf8_char = get_utf8_char(c);
        char *space_chars_set[] = {" ", "\t", " "};
        size_t n = sizeof(space_chars_set) / sizeof(space_chars_set[0]);
        for (size_t i = 0; i < n; i++) {
                if (!strcmp(utf8_char, space_chars_set[i])) {
                        ret = TRUE;
                        break;
                }
        }
        g_free(utf8_char);
        return ret;
}

static gboolean is_line_break(const gchar *c) {
        gboolean ret = FALSE;
        gchar *utf8_char = get_utf8_char(c);
        if (!strcmp(utf8_char, "\n")) ret = TRUE;
        g_free(utf8_char);
        return ret;
}

可以得到进一步的简化结果:

gboolean is_right_at_sign = TRUE;
glong offset = g_utf8_strlen(demo_text, -1);
gchar *viewer = g_utf8_offset_to_pointer(demo_text, offset - 1);
while (viewer != demo_text) {
        viewer = g_utf8_prev_char(viewer);
        if (!is_space(viewer)) {
                if (!is_line_break(viewer)) is_right_at_sign = FALSE;
                break;
        }
}
if (is_right_at_sign) g_print("Right @ !\n");

附:完整的代码

#include <string.h>
#include <glib.h>

gchar *demo_text =
        "我的 C81 每天都在口袋里\n"
        "                      @";

static gchar * get_utf8_char(const gchar *base) {
        gchar *new_base = g_utf8_next_char(base);
        gsize n = new_base - base;
        gchar *utf8_char = g_memdup(base, (n + 1));
        utf8_char[n] = '\0';
        return utf8_char;
}

static gboolean is_space(const gchar *c) {
        gboolean ret = FALSE;
        gchar *utf8_char = get_utf8_char(c);
        char *space_chars_set[] = {" ", "\t", " "};
        size_t n = sizeof(space_chars_set) / sizeof(space_chars_set[0]);
        for (size_t i = 0; i < n; i++) {
                if (!strcmp(utf8_char, space_chars_set[i])) {
                        ret = TRUE;
                        break;
                }
        }
        g_free(utf8_char);
        return ret;
}

static gboolean is_line_break(const gchar *c) {
        gboolean ret = FALSE;
        gchar *utf8_char = get_utf8_char(c);
        if (!strcmp(utf8_char, "\n")) ret = TRUE;
        g_free(utf8_char);
        return ret;
}

int main(void) {
        gboolean is_right_at_sign = TRUE;
        glong offset = g_utf8_strlen(demo_text, -1);
        gchar *viewer = g_utf8_offset_to_pointer(demo_text, offset - 1);
        while (viewer != demo_text) {
                viewer = g_utf8_prev_char(viewer);
                if (!is_space(viewer)) {
                        if (!is_line_break(viewer)) is_right_at_sign = FALSE;
                        break;
                }
        }
        if (is_right_at_sign) g_print("Right @ !\n");

        return 0;
}

若是在 Bash 中使用 gcc 编译这份代码,可使用以下命令:

$ gcc `pkg-config --cflags --libs glib-2.0` utf8-demo.c -o utf8-demo
阅读 2.9k

推荐阅读
while(1) { }
用户专栏

NULL

240 人关注
125 篇文章
专栏主页