Программирование на C: как программировать для Unicode?

Какие предварительные условия необходимы для выполнения строгого программирования Unicode?

Означает ли это, что мой код charнигде не должен использовать типы и что нужно использовать функции, которые могут иметь дело с wint_tи wchar_t?

И какую роль в этом сценарии играют многобайтовые последовательности символов?

Обратите внимание, что речь идет не о «строгом программировании в Юникоде» как таковом, а о некотором практическом опыте.

В моей компании мы создали библиотеку-оболочку для библиотеки IBM ICU. Библиотека-оболочка имеет интерфейс UTF-8 и преобразуется в UTF-16, когда необходимо вызвать ICU. В нашем случае мы не особо беспокоились о падении производительности. Когда производительность была проблемой, мы также предоставляли интерфейсы UTF-16 (с использованием нашего собственного типа данных).

Приложения могут оставаться в основном как есть (с использованием char), хотя в некоторых случаях им необходимо знать об определенных проблемах. Например, вместо strncpy () мы используем оболочку, которая избегает обрезания последовательностей UTF-8. В нашем случае этого достаточно, но можно также рассмотреть проверки на объединение символов. У нас также есть обертки для подсчета количества кодовых точек, количества графем и т. Д.

При взаимодействии с другими системами нам иногда требуется настраивать композицию персонажей, поэтому вам может потребоваться некоторая гибкость (в зависимости от вашего приложения).

Мы не используем wchar_t. Использование ICU позволяет избежать неожиданных проблем с переносимостью (но, конечно, не других неожиданных проблем :-).

C99 или ранее

Стандарт C (C99) предусматривает использование широких символов и многобайтовых символов, но поскольку нет гарантии, что эти широкие символы могут содержать, их значение несколько ограничено. Для данной реализации они обеспечивают полезную поддержку, но если ваш код должен иметь возможность перемещаться между реализациями, нет достаточной гарантии, что они будут полезны.

Следовательно, подход, предложенный Хансом ван Экком (который заключается в написании оболочки для библиотеки ICU - International Components for Unicode), является правильным, IMO.

Кодировка UTF-8 имеет множество достоинств, одно из которых заключается в том, что если вы не вмешиваетесь в данные (например, усекая их), то их можно скопировать функциями, которые не полностью осведомлены о тонкостях UTF-8. кодирование. Это категорически не относится к wchar_t.

Unicode полностью - это 21-битный формат. То есть Unicode резервирует кодовые точки от U + 0000 до U + 10FFFF.

Одна из полезных особенностей форматов UTF-8, UTF-16 и UTF-32 (где UTF означает формат преобразования Unicode - см. Unicode ) заключается в том, что вы можете конвертировать между тремя представлениями без потери информации. Каждый может представлять все, что могут представлять другие. И UTF-8, и UTF-16 являются многобайтовыми форматами.

UTF-8 хорошо известен как многобайтовый формат с тщательно продуманной структурой, которая позволяет надежно находить начало символов в строке, начиная с любой точки строки. У однобайтовых символов старший бит установлен в ноль. Многобайтовые символы имеют первый символ, начинающийся с одного из битовых шаблонов 110, 1110 или 11110 (для 2-байтовых, 3-байтовых или 4-байтовых символов), а последующие байты всегда начинаются с 10. Символы продолжения всегда находятся в диапазон 0x80 .. 0xBF. Существуют правила, согласно которым символы UTF-8 должны быть представлены в минимально возможном формате. Одним из следствий этих правил является то, что байты 0xC0 и 0xC1 (также 0xF5..0xFF) не могут появляться в действительных данных UTF-8.

 U+0000 ..   U+007F  1 byte   0xxx xxxx
 U+0080 ..   U+07FF  2 bytes  110x xxxx   10xx xxxx
 U+0800 ..   U+FFFF  3 bytes  1110 xxxx   10xx xxxx   10xx xxxx
U+10000 .. U+10FFFF  4 bytes  1111 0xxx   10xx xxxx   10xx xxxx   10xx xxxx

Первоначально предполагалось, что Unicode будет 16-битным кодовым набором, и все будет помещено в 16-битное кодовое пространство. К сожалению, реальный мир более сложен, и его пришлось расширить до нынешней 21-битной кодировки.

UTF-16, таким образом, представляет собой единый кодовый блок (16-битное слово), установленный для «Базовой многоязычной плоскости», то есть символы с кодовыми точками Unicode U + 0000 .. U + FFFF, но использует две единицы (32-битные) для символы вне этого диапазона. Таким образом, код, работающий с кодировкой UTF-16, должен иметь возможность обрабатывать кодировки переменной ширины, как и UTF-8. Коды для двухзначных символов называются суррогатами.

Суррогаты - это кодовые точки из двух специальных диапазонов значений Unicode, зарезервированные для использования в качестве начального и конечного значений парных кодовых единиц в UTF-16. Ведущие, также называемые высокими суррогатами - от U + D800 до U + DBFF, а замыкающие или нижние суррогаты - от U + DC00 до U + DFFF. Их называют суррогатами, поскольку они не представляют персонажей напрямую, а только в виде пары.

UTF-32, конечно, может кодировать любую кодовую точку Unicode в единой единице хранения. Он эффективен для вычислений, но не для хранения.

Вы можете найти гораздо больше информации на сайтах ICU и Unicode.

C11 и <uchar.h>

Стандарт C11 изменил правила, но даже сейчас (середина 2017 года) не все реализации учли эти изменения. Стандарт C11 суммирует изменения для поддержки Unicode следующим образом:

• Символы и строки Unicode ( <uchar.h>) (изначально указаны в ISO / IEC TR 19769: 2004)

Далее следует лишь минимальный набросок функциональности. В спецификацию входят:

6.4.3 Универсальные имена персонажей

Синтаксис имя-
универсального-символа:
    \u шестнадцатеричный-четверной
    \U шестнадцатеричный шестнадцатеричный
шестнадцатеричный шестнадцатеричный:
     шестнадцатеричная цифра шестнадцатеричная цифра шестнадцатеричная цифра шестнадцатеричная цифра

7.28 Утилиты Unicode <uchar.h>

Заголовок <uchar.h> объявляются типы и функции для управления символами Unicode.

Объявленные типы mbstate_t(описаны в 7.29.1) и size_t(описаны в 7.19);

char16_t

который является беззнаковым целочисленным типом, используемым для 16-битных символов, и имеет тот же тип, что и uint_least16_t(описанный в 7.20.1.2); и

char32_t

который является беззнаковым целочисленным типом, используемым для 32-битных символов, и имеет тот же тип, что и uint_least32_t(также описанный в 7.20.1.2).

(Перевод перекрестных ссылок: <stddef.h>определяет size_t, <wchar.h>определяет mbstate_tи <stdint.h>определяет uint_least16_tи uint_least32_t.) <uchar.h>Заголовок также определяет минимальный набор (перезапускаемых) функций преобразования:

• mbrtoc16()
• c16rtomb()
• mbrtoc32()
• c32rtomb()

Существуют правила относительно того, какие символы Unicode могут использоваться в идентификаторах с использованием нотации \unnnnили \U00nnnnnn. Возможно, вам придется активно активировать поддержку таких символов в идентификаторах. Например, GCC требует -fextended-identifiersразрешить это в идентификаторах.

Обратите внимание, что macOS Sierra (10.12.5), если назвать только одну платформу, не поддерживает <uchar.h>.

Этот FAQ содержит большое количество информации. Между этой страницей и этой статьей Джоэла Спольски у вас будет хорошее начало.

Один вывод, к которому я пришел по пути:

• wchar_t- это 16 бит в Windows, но не обязательно 16 бит на других платформах. Я думаю, что это необходимое зло для Windows, но, вероятно, его можно избежать в другом месте. Причина, по которой это важно в Windows, заключается в том, что вам нужно использовать файлы, в имени которых есть символы, отличные от ASCII (вместе с версией функций W).

• Обратите внимание, что API-интерфейсы Windows, принимающие wchar_tстроки, ожидают кодировки UTF-16. Также обратите внимание, что это отличается от UCS-2. Обратите внимание на суррогатные пары. Эта тестовая страница содержит полезные тесты.

• Если вы программируете на Windows, вы не можете использовать fopen(), fread(), fwrite()и т.д. , так как они только принимают char *и не понимают кодировку UTF-8. Делает переносимость болезненной.

Чтобы выполнить строгое программирование Unicode:

• Используйте только строковые API - интерфейсы, которые Unicode известно ( НЕ strlen , strcpy... но их WideString коллеги wstrlen, wsstrcpy...)
• При работе с блоком текста используйте кодировку, которая позволяет сохранять символы Unicode (utf-7, utf-8, utf-16, ucs-2, ...) без потерь.
• Убедитесь, что набор символов вашей ОС по умолчанию совместим с Unicode (например, utf-8)
• Используйте шрифты, совместимые с Unicode (например, arial_unicode)

Многобайтовые последовательности символов - это кодировка, которая предшествует кодировке UTF-16 (обычно используемой wchar_t), и мне кажется, что она скорее предназначена только для Windows.

Я никогда не слышал wint_t.

Самое главное - всегда четко различать текстовые и двоичные данные . Попробуйте следовать модели Python 3.x strvs.bytes или SQL TEXTvs BLOB..

К сожалению, C сбивает с толку, используя charкак «символ ASCII», так и int_least8_t. Вы захотите сделать что-то вроде:

typedef char UTF8; // for code units of UTF-8 strings
typedef unsigned char BYTE; // for binary data

Вам могут понадобиться typedef для кодовых единиц UTF-16 и UTF-32, но это более сложно, потому что кодировка wchar_tне определена. Вам понадобится только препроцессор #if. Вот некоторые полезные макросы в C и C ++ 0x:

• __STDC_UTF_16__- Если определено, тип _Char16_tсуществует и является UTF-16.
• __STDC_UTF_32__- Если определено, тип _Char32_tсуществует и является UTF-32.
• __STDC_ISO_10646__- Если определено, то wchar_tиспользуется UTF-32.
• _WIN32- В Windows wchar_tиспользуется UTF-16, даже если это нарушает стандарт.
• WCHAR_MAX- Может использоваться для определения размера wchar_t, но не для определения того , использует ли ОС его для представления Unicode.

Означает ли это, что мой код нигде не должен использовать типы char и что необходимо использовать функции, которые могут иметь дело с wint_t и wchar_t?

Смотрите также:

• UTF-8 или UTF-16 или UTF-32 или UCS-2
• Нужен ли wchar_t для поддержки Unicode?

Нет. UTF-8 - это вполне допустимая кодировка Unicode, в которой используются char*строки. Его преимущество заключается в том, что если ваша программа прозрачна для байтов, отличных от ASCII (например, конвертер окончания строки, который действует на другие символы \rи \nпропускает их через другие символы без изменений), вам нужно вообще не вносить никаких изменений!

Если вы выберете UTF-8, вам нужно будет изменить все предположения, что charсимвол = (например, не вызывать toupperв цикле) или charстолбец = screen (например, для переноса текста).

Если вы выберете UTF-32, у вас будет простота символов фиксированной ширины (но не графем фиксированной ширины). , но вам нужно будет изменить тип всех ваших строк).

Если вы выберете UTF-16, вам придется отказаться от использования символов фиксированной ширины и от предположения о 8-битных единицах кода, что делает этот путь наиболее сложным путем обновления однобайтовых кодировок.

Я бы рекомендовал активно избегать, wchar_t потому что это не кросс-платформенный: иногда это UTF-32, иногда это UTF-16, а иногда это восточноазиатская кодировка до Unicode. Я бы рекомендовал использоватьtypedefs

Еще важнее избегатьTCHAR .

Я бы не стал доверять любой стандартной реализации библиотеки. Просто используйте свои собственные типы юникода.

#include <windows.h>

typedef unsigned char utf8_t;
typedef unsigned short utf16_t;
typedef unsigned long utf32_t;

int main ( int argc, char *argv[] )
{
  int msgBoxId;
  utf16_t lpText[] = { 0x03B1, 0x0009, 0x03B2, 0x0009, 0x03B3, 0x0009, 0x03B4, 0x0000 };
  utf16_t lpCaption[] = L"Greek Characters";
  unsigned int uType = MB_OK;
  msgBoxId = MessageBoxW( NULL, lpText, lpCaption, uType );
  return 0;
}

В основном вы хотите иметь дело со строками в памяти как с wchar_tмассивами, а не с символами. Когда вы выполняете какой-либо ввод-вывод (например, чтение / запись файлов), вы можете кодировать / декодировать с помощью UTF-8 (это, вероятно, наиболее распространенная кодировка), которую достаточно просто реализовать. Просто погуглите RFC. Так что в памяти ничего не должно быть многобайтовым. Один wchar_tпредставляет одного персонажа. Однако когда вы переходите к сериализации, вам нужно кодировать что-то вроде UTF-8, где некоторые символы представлены несколькими байтами.

Вам также придется писать новые версии strcmpи т. Д. Для строк широких символов, но это не большая проблема. Самая большая проблема будет связана с взаимодействием с библиотеками / существующим кодом, которые принимают только массивы символов.

А когда дело доходит до sizeof(wchar_t)(вам потребуется 4 байта, если вы хотите сделать это правильно), вы всегда можете переопределить его на больший размер с помощью typedef/ macrohacks, если вам нужно.

Насколько я знаю, wchar_t зависит от реализации (как видно из этой статьи в вики ). И это не юникод.