c

docs/notes/01_c-basic/03_xdx/index.md

@@ -2439,8 +2439,13 @@ man ascii
 >   * UTF-16 可以看做是 UTF-8 和 UTF-32 的折中方案，它平衡了存储空间和处理效率的矛盾。对于常用的字符，用两个字节存储足以，这个时候 UTF-16 是不需要转换的，直接存储字符的编码值即可。
 > * ② 总而言之，**UTF-8** 编码兼容性强，适合大多数应用，特别是英文文本处理。**UTF-16** 编码适合处理大量亚洲字符，但在处理英文或其他拉丁字符时相对浪费空间。**UTF-32**编码简单直接，但非常浪费空间，适合需要固定字符宽度的特殊场景。
 > * ③ 在实际应用中，UTF-8 通常是最常用的编码方式，因为它在兼容性和空间效率之间提供了良好的平衡。
-> * ④ Windows 内核、.NET Framework、Java String 内部采用的都是 `UTF-16` 编码，主要原因是为了在兼顾字符处理效率的同时，能够有效处理多种语言的字符集，即：历史遗留问题、兼容性要求和多语言支持的需要。
+
-> * ⑤ 不过，UNIX 家族的操作系统（Linux、Mac OS、iOS 等）内核都采用 `UTF-8` 编码，主要是为了兼容性和灵活性，因为 UTF-8 编码可以无缝处理 ASCII 字符，同时也能够支持多字节的 Unicode 字符，即：为了最大限度地兼容 ASCII，同时保持系统的简单性、灵活性和效率。
+> [!IMPORTANT]
+>
+> * ① Windows 内核、.NET Framework、Java String 内部采用的都是 `UTF-16` 编码，主要原因是为了在兼顾字符处理效率的同时，能够有效处理多种语言的字符集，即：历史遗留问题、兼容性要求和多语言支持的需要。
+> * ② 不过，UNIX 家族的操作系统（Linux、Mac OS、iOS 等）内核都采用 `UTF-8` 编码，主要是为了兼容性和灵活性，因为 UTF-8 编码可以无缝处理 ASCII 字符，同时也能够支持多字节的 Unicode 字符，即：为了最大限度地兼容 ASCII，同时保持系统的简单性、灵活性和效率。
+
+
 
 - `Unicode 字符集`和对应的`UTF-8 字符编码`之间的关系，如下所示：
 
@@ -2535,3 +2540,232 @@ source /etc/default/locale
 ```
 
 ![](./assets/52.gif)
+
+## 3.3 在 C 语言中使用中文字符
+
+### 3.3.1 概述
+
+* 大部分 C 语言文章或教材对中文字符的处理讳莫如深，甚至只字不提，导致很多初学者认为 C 语言只能处理英文，而不支持中文。
+* 其实，这是不对的。C 语言作为一门系统级别的编程语言，理应支持世界上任何一个国家的文字，如：中文、日文、韩文等。
+
+> [!NOTE]
+>
+> 如果 C 语言不支持中文，那么简体中文 Windows 操作系统将无从谈起，我们只能被迫使用英文 Windows 操作系统，这对计算机的传播而言将会是一种巨大的阻碍。
+
+### 3.3.2 中文字符的存储
+
+* 要想正确的存储中文字符，需要解决如下的两个问题：
+  * ① 足够长的数据类型：char 的长度是 1 个字节，只能存储拉丁体系的问题，并不能存储中文字符，所以至少需要 2 个字节的内存空间。
+  * ② 包含中文的字符集：C 语言规定，对于中文、日文、韩文等非 ASCII 编码之外的单个字符，需要有专门的字符类型，也就是需要使用宽字符的编码方式。而常见的宽字符的编码有 UTF-16 和 UTF-32，它们都是基于 Unicode 字符集的，都能够支持全球的文字。
+
+> [!NOTE]
+>
+> 上文提及过，在现代编程中，`窄字符`通常与 `UTF-8` 编码关联，特别是在处理文本输入、输出和网络传输时。尽管 `UTF-8` 是变长编码，由于其高效的空间利用和对 `ASCII` 的优化，通常与`窄字符`概念关联。而`宽字符`通常与 `UTF-16` 编码或 `UTF-32`编码关联，这些编码使用更大的固定或半固定长度来表示字符，适合处理更大的字符集。
+
+* 在真正实现的时候，微软的 MSVC 编译器采用 UTF-16 编码，即：使用 2 个字节来存储一个字符，使用 unsigned short 类型就可以容纳。而 GCC、LLVM/Clang 采用 UTF-32 编码，使用 4 个字节存储字符，用 unsigned int 类型就可以容纳。
+
+> [!NOTE]
+>
+> 不同的编译器可以使用不同的整数类型，来存储宽字符，这对于跨平台开发来说，非常不友好。
+
+* 为了解决上述的问题，C 语言推出了一种全新的类型 `wchar_t` 类型，用来存储宽字符类型。
+  * 在微软的 MSVC 编译器中，它的长度是 2 个字节。
+  * 在 GCC、LLVM/Clang 中，它的长度是 4 个字节。
+
+> [!NOTE]
+>
+> * ① `wchar_t` 中的 `w`是 wide 的首字母，`t` 是 type 的首字母，所以 `wchar_t` 就是宽字符类型，足够见名知意。
+> * ② `wchar_t` 是用 typedef 关键字定义的一个别名，后文讲解，`wchar_t` 在不同的编译器下长度不一样。
+> * ③ `wchar_t` 类型位于 `<wchar.h>` 头文件中，它使得代码在具有良好移植性的同时，也节省了不少内存，以后我们就用它来存储宽字符。
+
+* 对于普通的拉丁体系的字符，我们使用 `''` 括起来，来表示字符，如：`'A'`、`'&'` 等。但是，如果要想表示宽字符，就需要加上 `L` 前缀了，如：`L'A'`、`L'中'`。
+
+> [!NOTE]
+>
+> 宽字符字面量中的 `L` 是 `Long` 的缩写，意思是比普通的字符（char）要长。
+
+
+
+* 示例：
+
+```c
+#include <stddef.h>
+
+int main() {
+
+    /* 存储宽字符，如：中文 */
+    wchar_t a = L'中';
+    wchar_t b = L'中';
+    wchar_t c = L'中';
+    wchar_t d = L'中';
+    wchar_t e = L'中';
+
+    return 0;
+}
+```
+
+### 3.3.3 中文字符的输出
+
+* 对于宽字符，就不能使用 `putchar` 函数和 `printf` 函数来进行输出了，需要使用 `putwchar` 函数和 `wprintf` 函数。
+
+> [!NOTE]
+>
+> * ① `putchar` 函数和 `printf` 函数，只能输出窄字符，即：`char` 类型表示的字符。
+> * ② `putwchar` 函数可以用来输出宽字符，用法和 `putchar` 函数类似。
+> * ③ `wprintf`函数可以用来输出宽字符，用法和 `printf` 函数类型，只不过格式占位符是 `%lc` 。
+> * ④ 在输出宽字符之前，还需要使用 `setlocale` 函数进行本地化设置，告诉程序如何才能正确地处理各个国家的语言文化。
+
+
+
+* 示例：
+
+```c
+#include <locale.h>
+#include <stddef.h>
+#include <wchar.h>
+
+int main() {
+
+    /* 存储宽字符，如：中文 */
+    wchar_t a = L'中';
+    wchar_t b = L'国';
+    wchar_t c = L'人';
+    wchar_t d = L'你';
+    wchar_t e = L'好';
+
+    // 将本地环境设置为简体中文
+    setlocale(LC_ALL, "zh_CN.UTF-8");
+
+    // 使用专门的 putwchar 输出宽字符
+    putwchar(a);
+    putwchar(b);
+    putwchar(c);
+    putwchar(d);
+    putwchar(e);
+    putwchar(L'\n'); // 只能使用宽字符
+
+    // 使用通用的 wprintf 输出宽字符
+    wprintf(L"%lc %lc %lc %lc %lc\n", a, b, c, d, e);
+    
+    return 0;
+}
+```
+
+### 3.3.4 宽字符串
+
+* 如果给字符串加上 `L` 前缀，就变成了宽字符串，即：它包含的每个字符都是宽字符，一律采用 UTF-16 或者 UTF-32 编码。
+
+> [!NOTE]
+>
+> * ① 输出宽字符串可以使用 <wchar.h> 头文件中的 wprintf 函数，对应的格式控制符是`%ls`。
+> * ② 不加`L`前缀的窄字符串也可以处理中文，我们之前就在 `printf` 函数中，使用格式占位符 `%s` 输出含有中文的字符串，至于为什么，看下文讲解。
+
+
+
+* 示例：
+
+```c
+#include <locale.h>
+#include <stddef.h>
+#include <wchar.h>
+
+int main() {
+
+    /* 存储宽字符，如：中文 */
+    wchar_t  a[] = L"中国人";
+    wchar_t *b   = L"你好";
+
+    // 将本地环境设置为简体中文
+    setlocale(LC_ALL, "zh_CN.UTF-8");
+
+    // 使用通用的 wprintf 输出字符串
+    wprintf(L"%ls %ls\n", a, b);
+
+    return 0;
+}
+```
+
+## 3.4 C 语言到底使用什么编码？
+
+### 3.4.1 概述
+
+* 在 C 语言中，只有 `char` 类型的`窄字符`才会使用 ASCII 编码。而 `char` 类型的`窄字符串`、`wchar_t` 类型的`宽字符`和`宽字符串`都不使用 ASCII 编码。
+* `wchar_t` 类型的`宽字符`和`宽字符串`使用 UTF-16 或者 UTF-32 编码，这个在上文已经讲解了，现在只剩下 `char` 类型的`窄字符串`没有讲解了，这也是下文的重点。
+
+> [!NOTE]
+>
+> * ① 其实，对于`char` 类型的窄字符串，C 语言并没有规定使用哪一种特定的编码，只要选用的编码能够适应当前的环境即可。换言之，`char` 类型的窄字符串的编码与操作系统以及编译器有关。
+> * ② 但是，`char` 类型的窄字符串一定不是 ASCII 编码，因为 ASCII 编码只能显示拉丁体系的文字，而不能输出中文、日文、韩文等。
+> * ③ 讨论窄字符串的编码要从以下两个方面下手。
+
+### 3.4.2 源文件使用什么编码？
+
+* 源文件用来保存我们编写的代码，它最终会被存储到本地硬盘，或者远程服务器，这个时候就要尽量压缩文件体积，以节省硬盘空间或者网络流量，而代码中大部分的字符都是 ASCII 编码中的字符，用一个字节足以容纳，所以 UTF-8 编码是一个不错的选择。
+* UTF-8 兼容 ASCII，代码中的大部分字符可以用一个字节保存。另外，UTF-8 基于 Unicode，支持全世界的字符，我们编写的代码可以给全球的程序员使用，真正做到技术无国界。
+* 常见的 IDE 或者编辑器，如：Sublime Text、Vim 等，在创建源文件的时候一般默认就是 UTF-8 编码。就算不是，我们也会推荐设置为 UTF-8 编码，如下所示：
+
+![](./assets/53.png)
+
+* 对于 C 语言编译器来说，它往往支持多种编码格式的源文件。微软的 MSVC 、GCC 和 LLVM/Clang 都支持 UTF-8 和本地编码的源文件。
+
+### 3.4.3 窄字符串使用什么编码？
+
+* 前文提到，可以使用 puts 函数或 printf 函数来输出窄字符串，如下所示：
+
+```c
+#include <stdio.h>
+
+int main() {
+
+    // 存储字符串
+    char  str[] = "我";
+    char *str2  = "爱你";
+
+    puts(str); // 我
+    puts(str2); // 爱你
+    
+    // 存储字符串
+    char  str3[] = "你";
+    char *str4  = "是好人";
+
+    printf("%s\n", str3); // 你
+    printf("%s\n", str4); // 是好人
+
+    return 0;
+}
+```
+
+* 像 `"我"`、`"爱你"`、`"你"`、`"是好人"`就是需要被处理的窄字符串，当程序运行的时候，它们会被加载进内存。并且，这些字符串中是包含中文的，所以一定不会使用 ASCII 编码。
+* 其实，对于代码中需要被处理的窄字符串，不同的编译器差别还是挺大的：
+  * 微软的 MSVC 编译器使用本地编码来保存这些字符。对于简体中文版的 Windows，使用的是 GBK 编码。
+  * GCC、LLVM/Clang 编译器使用和源文件相同的编码来保存这些字符：如果源文件使用的是 UTF-8 编码，那么这些字符也使用 UTF-8 编码；如果源文件使用的是 GBK 编码，那么这些字符也使用 GBK 编码。
+
+### 3.3.4 总结
+
+* ① 对于 `char` 类型的窄字符，在 C 语言中，使用的是  `ASCII` 编码。
+* ② 对于 `wchar_t` 类型的`宽字符`和`宽字符串`，在 C 语言中，使用的 `UTF-16` 编码或者 `UTF-32` 编码，它们都是基于 Unicode 字符集的。
+* ③ 对于 `char` 类型的`窄字符串`，微软的 MSVC 编译器使用本地编码，GCC、LLVM/Clang 使用和源文件编码相同的编码。
+* ④ 处理窄字符和处理宽字符使用的函数也不一样，如下所示：
+  * `<stdio.h>` 头文件中的 `putchar`、`puts`、`printf` 函数只能用来处理窄字符。
+  * `<wchar.h>` 头文件中的 `putwchar`、`wprintf` 函数只能用来处理宽字符。
+
+> [!IMPORTANT]
+>
+> * ① C 语言作为一门较为底层和古老的语言，对于字符的处理，之所以有这么多种方式，是因为历史遗留的原因和早期计算机资源有限的背景密切相关。	
+> * ② 现代化的编程语言，如：C++ 、Java、Python 等都对字符串处理进行了改进和抽象，如：C++ 中的 `std::string` 和 Java 中的 `String`。并且，现代编程语言的字符串类型通常会自动管理内存，这样开发者就不需要手动处理字符串的内存分配和释放，从而减少了内存泄漏和缓冲区溢出等问题。当然，现代编程语言通常内置了对各种字符编码的支持，能够方便地处理不同语言的字符，如：Java 的 `String` 类和 Python 的 `str` 类型都默认支持 Unicode，可以轻松处理中文等多字节字符。
+
+### 3.3.5 编码字符集和运行字符集
+
+* 源文件使用的字符集，通常称为`编码字符集`，即：写代码的时候所使用的字符集。
+
+> [!NOTE]
+>
+> 源文件需要保存到硬盘，或者在网络上传输，使用的编码要尽量节省存储空间，同时要方便跨国交流，所以一般使用 UTF-8，这就是选择编码字符集的标准。
+
+* 程序中的字符或者字符串使用的字符集，通常称为`运行字符集`，即：程序运行时所使用的字符集。
+
+> [!NOTE]
+>
+> 程序中的字符或者字符串，在程序运行后必须被载入到内存，才能进行后续的处理，对于这些字符来说，要尽量选用能够提高处理速度的编码，如：UTF-16 和 UTF-32 编码就能够快速定位（查找）字符。
+
+* 编码字符集是站在存储和传输的角度，而运行字符集是站在处理或者操作的角度，所以它们并不一定相同。