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:
glong
即long
,而gssize
即signed 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 p
与 str
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_char
与 g_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
的 '@'
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
。
在 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_space
与 is_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
**粗体** _斜体_ [链接](http://example.com) `代码` - 列表 > 引用
。你还可以使用@
来通知其他用户。