gcc编译器负责存储（在可执行文件中）来自C语言char数组的utf8字符吗？

Question

我在 Ubuntu 系统上编写了这个简单的程序：

#include <unistd.h>
#include <sys/stat.h>
#include <fcntl.h>
#include <stdio.h>


int main( void ){

    char utf8_arr[] = "写一个名字列表: \n\n";
    
    write(1,utf8_arr,sizeof(utf8_arr));
    
    
    char utf8_buff[1024];
    ssize_t r;
    
    while ( (r = read(0,utf8_buff,sizeof(utf8_buff))) > 0 ){
    
             
             write(1,utf8_buff,r); 
             
    }
    
     return 0;

}

我的问题：

1）当涉及到像我的程序中那样的 C 语言字符串时，谁控制字符编码（实际字符在内存中存储的方式）？是 gcc 编译器吗（它又从某处获取自己的字符编码设置）？

2）像我的程序那样使用 utf8 字符串来存储、写入和读取是否 100% 正确？

3) sizeof 怎么样？这样用可以吗

Answer 1

1）谁控制字符编码（实际字符的方式） 存储在内存中）当涉及到 C 语言字符串时，例如 我的程序？是 gcc 编译器吗（反过来又拥有自己的 来自某处的字符编码设置）？

C 语言规范规定有两个相关的“字符集”，实际上它们都是一组抽象字符及其成员编码的混合体。存在源字符集和执行字符集，其中后者的成员在源代码中由前者的成员或转义序列表示。这种区别主要是关于编码方面，而不是所涵盖的抽象字符的身份。

C 指定必须是这些集合的成员的字符集合，并且必须通过大小为

char

的单个代码单元在每个字符中表示（原则上可能会有所不同，但实际上几乎总是 8 位）。 C 允许由 C 实现自行决定使用其他字符，并允许其中一些字符可以具有多字节表示形式。

C 源代码中字符的表示方式就是“源字符集”。它们在运行时呈现给执行环境的方式是“执行字符集”。我不确定 C 实际上将其中之一指定为“内存中”表示形式，但执行字符集是唯一实用的选择。

谁控制？

使用/支持哪些字符集由 C 实现自行决定，例如 GCC + Glibc 或 GCC + musl 或 MSVC + MSCRT。没有具体说明谁实际控制，但由实施决定谁控制。在基于 GCC 的系统中，GCC 定义了默认值，并且可以在基于系统的 iconv 库的限制内通过命令行选项覆盖这些默认值。最终，

用户

控制。

2）仅使用 utf8 字符串来存储、写入是否 100% 正确 并按照我的程序的方式阅读？

不。 C 不要求使用或接受任何特定的源字符集，并且它没有定义必须使用什么执行字符集。无法保证所有 C 实现都会按照您想要的方式解释您的源代码，甚至 GCC 在所有情况下都会按照您想要的方式解释它。

假设您可以依赖 C11 或更高版本，则可以使用 UTF-8 文字来寻址内存中表示，这些文字具有

char

类型的元素，并在带有

u8

前缀的源代码中表示： char utf8_arr[] = u8"写一个名字列表: \n\n";

您仍然受到 

source

字符集注意事项的影响，但您可以依靠 UTF-8 进行内存中表示。

3) sizeof 怎么样？这样用可以吗

这取决于您期望它做什么，但示例使用对我来说看起来不错。特别是，您可以依靠

sizeof utf8_arr

来正确生成

utf8_arr

占用的字节数，无论相关执行字符集要求为所提供的初始值设定项提供什么。