C语言 使用char字符实现汉字处理

• 系统：windows 64
• 编译器：gcc version 8.1.0 (x86_64-posix-seh-rev0, Built by MinGW-W64 project)
• 文本编辑器：notepad
• 控制台：Cmder
• 编程语言：C、Python

　　首先，要想打印汉字，必须考虑到编码问题。在windows下，由于系统使用GBK编码，而GCC解析时使用UTF-8而会导致以下代码运行时出现乱码：

#include <stdio.h>

int main()
{
    char *str = "你好，世界！";

    printf("%s\n", str);

    return 0;
}

 

 

 

　　解决方法为：使用“-fexec-charset=gbk”命令

 

　　解决了编码问题，我们还需要了解几点：

• char类型本质上是数字，占据一个字节（即八位），可以通过%d打印编码，通过%c打印字符
• 在C语言中，一个汉字占据两个char类型
• 汉字的两个char类型为负数
• 在打印汉字时，它的两个char必须紧跟着

　　根据这几点，我们可以打印出汉字以及它们的编码：

#include <stdio.h>
#include <string.h>

int main()
{
    // str为字符指针，指向一个字符字面量，这个字符字面量由'\0'结尾
    char *str = "你好，世界！Hello, world!";
    // chr为字符指针，指向str所指向的字符字面量的第一个字符的地址，即'你'字符的两个char中的第一个
    char *chr = str;

    printf("%zu %s\n", strlen(str), str);
    // 如果遇到'\0'，说明字符串结束了
    while (*chr != '\0')
    {
        // 如果chr的编码为负数，则说明遇到了一个汉字
        if (*chr < 0)
        {
            // 打印汉字及汉字的编码
            // 注意两个char必须紧紧跟着打印（%c%c），否则会打印出 ?? 
            printf("%c%c: %d%d\n", *chr, *(chr+1), *(chr), *(chr+1));
            // chr自增两个字节（因为每个汉字都由两个char组成）
            chr += 2;
        }
        else
        {
            // 打印英文字符
            printf("%c: %d\n", *chr, *chr);
            // chr自增一个字节
            ++chr;
        }
    }

    return 0;
}

　　从上图，我们可以看出，这个字符串占据了25个字节，4个汉字加2个全角符号占据了12个字节，再加上23个英文字符，总共25个字节。我们可以从下图更清晰地看出str的构造：

　　但是，根据我们在网上查询的结果，汉字‘你’的GBK编码应为：C4E3，但是在这里，却打印出了：-60-29，这是为什么呢？

　　这里涉及到进制的问题，可能-60-29是十六进制数C4E3的十进制数？

　　首先，我们先通过Python看看C4E3的二进制数以及十进制数。这好像跟-60-29根本不沾边。

　　我们先看看下面的代码，导入<limits.h>头文件，看看char类型的取值范围为多少：

#include <stdio.h>
#include <limits.h>

int main()
{
    printf("[%d ~ %d]\n", CHAR_MIN, CHAR_MAX);
    printf("%c%c\n", 0xC4, 0xE3);return 0;
}

　　我们可以看到：char类型的取值范围为[-128 ~ 127]，但是我们却可以打印出汉字”你“。这是为什么呢？明明char的取值范围最多127，而汉字“你”的两个字符分别为：196和227，都超过了这个值。其实这是因为，C语言将这两个数字的二进制数作为负数处理。C中的char类型有1个字节，占8位，而它的最高位为符号位，当它为0时为正，1时则为负。C通过对正数做补码操作得到负数。补码，即对一个二进制数取反，然后再加1。比如，0xC4的二进制数为0b11000100，我们可以看到最高位1，在C中这个数就是负数。我们可以通过对这个二进制数做补码操作，得到0b00111100，即60。所以0b11000100在C中表示为-60。

 　　从以上，我们可以发现，GBK编码中，一个汉字占两字节。因为C中char类型只占一个字节，所以需要使用两个char类型来表示汉字。因为C中char为有符号类型，char的表示范围为[-128 ~ 127]，所以在遇到大于127的数字时，会被char表示为负数。

　　其实，我们还可以使用unsigned char来实现。char默认是有符号的，取值范围为：-128 ~127。而unsigned char的取值范围则为：0~255，那么汉字“你”的编码就会被显示为：196和227。

#include <stdio.h>
#include <string.h>

int main()
{
    // str为字符指针，指向一个字符字面量，这个字符字面量由'\0'结尾
    unsigned char *str = (unsigned char *)"你好，世界！Hello, world!";
    // chr为字符指针，指向str所指向的字符字面量的第一个字符的地址，即'你'字符的两个char中的第一个
    unsigned char *chr = str;

    printf("%zu %s\n", strlen(str), str);
    // 如果遇到'\0'，说明字符串结束了
    while (*chr != '\0')
    {
        // 如果chr的编码大于127，则说明遇到了一个汉字
        if (*chr > 127)
        {
            // 打印汉字及汉字的编码
            // 注意两个char必须紧紧跟着打印（%c%c），否则会打印出 ?? 
            printf("%c%c: %d %d\n", *chr, *(chr+1), *(chr), *(chr+1));
            // chr自增两个字节（因为每个汉字都由两个char组成）
            chr += 2;
        }
        else
        {
            // 打印英文字符
            printf("%c: %d\n", *chr, *chr);
            // chr自增一个字节
            ++chr;
        }
    }

    return 0;
}