中文字元的儲存

1) 足夠長的資料型別

char 只能處理 ASCII 編碼中的英文字元，是因為 char 型別太短，只有一個位元組，容納不下我大中華幾萬個漢字，要想處理中文字元，必須得使用更長的資料型別。

一個字元在儲存之前會轉換成它在字符集中的編號，而這樣的編號是一個整數，所以我們可以用整數型別來儲存一個字元，比如 unsigned short、unsigned int、unsigned long 等。

2) 選擇包含中文的字符集

C語言規定，對於漢語、日語、韓語等 ASCII 編碼之外的單個字元，也就是專門的字元型別，要使用寬字元的編碼方式。常見的寬字元編碼有 UTF-16 和 UTF-32，它們都是基於 Unicode 字符集的，能夠支援全球的語言文化。

在真正實現時，微軟編譯器（內嵌於 Visual Studio 或者 Visual C++ 中）採用 UTF-16 編碼，使用 2 個位元組儲存一個字元，用 unsigned short 型別就可以容納。GCC、LLVM/Clang（內嵌於 Xcode 中）採用 UTF-32 編碼，使用 4 個位元組儲存字元，用 unsigned int 型別就可以容納。

對於編號較小的字元，UTF-16 採用兩個位元組儲存；對於編號較大的字元，UTF-16 使用四個位元組儲存。但是，全球常用的字元也就幾萬個，使用兩個位元組儲存足以，只有極其罕見，或者非常古老的字元才會用到四個位元組。

微軟編譯器使用兩個位元組來儲存 UTF-16 編碼的字元，雖然不能囊括所有的 Unicode 字元，但是也足以容納全球的常見字元了，基本滿足了軟體開發的需求。使用兩個位元組儲存的另外一個好處是可以節省記憶體，而使用四個位元組會浪費 50% 以上的記憶體。

你看，不同的編譯器可以使用不同的整數型別。如果我們的程式碼使用 unsigned int 來儲存寬字元，那麼在微軟編譯器下就是一種浪費；如果我們的程式碼使用 unsigned short 來儲存寬字元，那麼在 GCC、LLVM/Clang 下就不夠。

為了解決這個問題，C語言推出了一種新的型別，叫做 wchar_t。w 是 wide 的首字母，t 是 type 的首字元，wchar_t 的意思就是寬字元型別。wchar_t 的長度由編譯器決定：

• 在微軟編譯器下，它的長度是 2，等價於 unsigned short；
• 在GCC、LLVM/Clang 下，它的長度是 4，等價於 unsigned int。

wchar_t 其實是用 typedef 關鍵字定義的一個別名，我們會在《C語言typedef：給型別起一個別名》一節中深入講解，大家暫時只需要記住，wchar_t 在不同的編譯器下長度不一樣。

wchar_t 型別位於 <wchar.h> 標頭檔案中，它使得程式碼在具有良好移植性的同時，也節省了不少記憶體，以後我們就用它來儲存寬字元。

上節我們講到，單獨的字元由單引號' '包圍，例如'B'、'@'、'9'等；但是，這樣的字元只能使用 ASCII 編碼，要想使用寬字元的編碼方式，就得加上L字首，例如L'A'、L'9'、L'中'、L'國'、L'。'。

注意，加上L字首後，所有的字元都將成為寬字元，佔用 2 個位元組或者 4 個位元組的記憶體，包括 ASCII 中的英文字元。

下面的例子演示瞭如何儲存寬字元（注意引入 <wchar.h> 標頭檔案）：

• wchar_t a = L'A'; //英文字元（基本拉丁字元）
• wchar_t b = L'9'; //英文數字（阿拉伯數字）
• wchar_t c = L'中'; //中文漢字
• wchar_t d = L'國'; //中文漢字
• wchar_t e = L'。'; //中文標點
• wchar_t f = L'ヅ'; //日文片假名
• wchar_t g = L'♥'; //特殊符號
• wchar_t h = L'༄'; //藏文

在以後的程式設計中，我們將不加L字首的字元稱為窄字元，將加上L字首的字元稱為寬字元。窄字元使用 ASCII 編碼，寬字元使用 UTF-16 或者 UTF-32 編碼。

寬字元的輸出

putchar、printf 只能輸出不加L字首的窄字元，對加了L字首的寬字元無能為力，我們必須使用 <wchar.h> 標頭檔案中的寬字元輸出函式，它們分別是 putwchar 和 wprintf：

• putwchar 函式專門用來輸出一個寬字元，它和 putchar 的用法類似；
• wprintf 是通用的、格式化的寬字元輸出函式，它除了可以輸出單個寬字元，還可以輸出寬字串（稍後講解）。寬字元對應的格式控制符為%lc。

另外，在輸出寬字元之前還要使用 setlocale 函式進行本地化設定，告訴程式如何才能正確地處理各個國家的語言文化。由於大家基礎還不夠，關於本地化設定的內容我們不再展開講解，請大家先記住這種寫法。

如果希望設定為中文簡體環境，在 Windows 下請寫作：

在 Linux 和 Mac OS 下請寫作：

setlocale 函式位於 <locale.h> 標頭檔案中，我們必須引入它。下面的程式碼完整地演示了寬字元的輸出：

• #include <wchar.h>
• #include <locale.h>
• int main(){
• wchar_t a = L'A'; //英文字元（基本拉丁字元）
• wchar_t b = L'9'; //英文數字（阿拉伯數字）
• wchar_t c = L'中'; //中文漢字
• wchar_t d = L'國'; //中文漢字
• wchar_t e = L'。'; //中文標點
• wchar_t f = L'ヅ'; //日文片假名
• wchar_t g = L'♥'; //特殊符號
• wchar_t h = L'༄'; //藏文
• //將本地環境設定為簡體中文
• setlocale(LC_ALL, "zh_CN");
• //使用專門的 putwchar 輸出寬字元
• putwchar(a); putwchar(b); putwchar(c); putwchar(d);
• putwchar(e); putwchar(f); putwchar(g); putwchar(h);
• putwchar(L'\n'); //只能使用寬字元
• //使用通用的 wprintf 輸出寬字元
• wprintf(
• L"Wide chars: %lc %lc %lc %lc %lc %lc %lc %lc\n", //必須使用寬字串
• a, b, c, d, e, f, g, h
• );
• return 0;
• }

執行結果：

寬字串

給字串加上L字首就變成了寬字串，它包含的每個字元都是寬字元，一律採用 UTF-16 或者 UTF-32 編碼。輸出寬字串可以使用 <wchar.h> 標頭檔案中的 wprintf 函式，對應的格式控制符是%ls。

下面的程式碼演示瞭如何使用寬字串：

• #include <wchar.h>
• #include <locale.h>
• int main(){
• wchar_t web_url[] = L"http://www.cdsy.xyz";
• wchar_t *web_name = L"城東書院";
• //將本地環境設定為簡體中文
• setlocale(LC_ALL, "zh_CN");
• //使用通用的 wprintf 輸出寬字元
• wprintf(L"web_url: %ls \nweb_name: %ls\n", web_url, web_name);
• return 0;
• }

執行結果：

其實，不加L字首的窄字串也可以處理中文，它和加上了L字首的寬字串有什麼區別呢？我們將在下節《C語言到底使用什麼編碼？誰說C語言使用ASCII碼，真是荒謬！》中詳細講解。