浅谈C中的wprintf和宽字符显示

转载一篇好文章，原文：https://blog.youkuaiyun.com/lovekatherine/article/details/1868724 。
今天在优快云的Blog首页看到一篇文章“也谈计算机字符编码 ”，由于前一阵业余翻译了“UTF-8 and Unicode FAQ for Unix/Linux”一文，自己对字符集、编码和Unicode等内容一直保着者很强的兴趣，自然不会放过这样的文章。

作者的文章写得很明白易懂，虽然有一些概念上的细节问题我觉得有商榷之处；作者还给出一个简单的在windows下使用wprintf正确输出字符串“中文”的小例子，我linux下模仿作者给出的示例代码写了如下的示例代码：

#include <cstdlib>
#include <clocale>
#include <cwchar>

int main(int argc, char * argv[])
{
    wchar_t wstr[] = L"中文";    
    setlocale(LC_ALL, "zh_CN.UTF-8");        
    wprintf(L"%s/n",wstr);
    
    return 0;
}

这里需要说明的是我的机器的locale为"zh_CN-UTF-8"

然而程序的运行结果却让我很诧异

whodare@whodare:$ ./a.out 
-N

我的第一反应就是作者的示例代码是不是有问题，毕竟这里面调用的全都是C的标准库函数，不应该存在移植性问题；然而，我找了台windows机器测试作者的代码，结果让我很郁闷，一切正常…

为 什么我在Linux下的程序就不对呢？我很不服气，于是开始以各种关键字进行搜索，想看看别人是否遇到过类似的问题。一个搜索结果引起了我的主意，有人说 问题出在wprintf中的格式转换符上，将%s替换成%ls就没有这样的问题。带着几分怀疑，我修改了上面的程序，编译运行后，居然真的就没问题了

#include <cstdlib>
#include <clocale>
#include <cwchar>

int main(int argc, char * argv[])
...{
    wchar_t wstr[] = L"中文";    
    setlocale(LC_ALL, "zh_CN.UTF-8");       
    wprintf(L"%s ",wstr);
    wprintf(L"%ls ",wstr);
    
    return 0;
}

上述代码的运行结果

whodare@whodare:$ ./a.out 
-N
中文

问题解决了，可我还是感到迷茫：格式转换符"ls"和“s"的区别是什么？为什么原来的程序会出问题？“-N"这个字符串是怎么冒出来的？为什么作者在windows下的程序就不存在该问题？

这么多的疑惑堵在心口，我哪能心安呢。知其然还要知其所以然嘛！花了一个下午的时间仔细读了下wprintf的manual，并在gdb的帮助下做了各种试验，终于算是把我的疑惑基本都解决了。

一、以下的所有试验都是以“中文”为例，因此有必要先把它的Unicdoe码值、UTF-8编码都列出来，以便于更好的理解下文

‘中’   Unicode码值：U+4E2D  UTF-8 编码 e4 b8 ad
‘文’   Unicode码值：U+6587  UTF-8 编码  e6 96 87

二、我们需要理解用char[ ]和wchar_t [ ]来存放“中文”时有什么不同

    char    str[]="中文";
    wchar_t wstr[] = L"中文";    

我们使用gdb这个强大的工具来查看str[]和wst[]中究竟都存放了哪些值(请注意颜色之间的对应关系)

(gdb) x /8xb &str
0xbf83decd:     0xe4    0xb8    0xad    0xe6    0x96    0x87    0x00    0xf0
(gdb) x /12xb &wstr
   0xbf83dec0:     0x2d    0x4e    0x00    0x00    0x87    0x65    0x00    0x00
   0xbf83dec8:     0x00    0x00    0x00    0x00

不难看出，char str[ ]中存储的是“中文"的UTF-8编码，这是因为我的机器的locale是zh_CN.UTF-8，程序源文件的自然采用的是UTF-8编码，因此编译器 在处理 char str[ ]=“中文”; 时，t它对str[]所做得初始化实际上可以理解成 char str[ ]={ 0xe4,0xb8,0xad,0xe6,0x96,0x87,0x00}

而wchar_t wstr[ ]中存放的是“中文"的Unicode码值，这符合C标准对宽字符的定义。这里需要解释的是C标准中规定宽字符是16 bit的字符，而从GNU glibc 2.2开始，类型wchar_t只用于存放32-bit的ISO 10646码值(你可以粗略的把ISO 10646理解成Unicode，尽管它们并不是一回事)，而独立于当前使用的locale；因此在上面的输出中，我们看到每个Unicode码值用 32bit表示，而不是16bit。

三、关于%s和%ls的区别

我搜到了一篇帖子(很伤感，我再此发现在CS领域，最靠的住的资料总是英文的)，里面对各种格式转换符有详细的解释，愿意看原文的同学直接忽略本段文字…

http://www-ccs.ucsd.edu/c/lib_prin.html

首先，%ls和%s的区别很简单，%ls意味着将对应的参数会被当作基于宽字符的字符串(wide chraracter string )看待，而%s则意味着对应的参数会被当作普通字符串(multi-byte string)看待。

其次，不要因为上面一句话而错误的认为%s只用于printf，而%ls只用于wprintf 。实际上，(printf, wprintf) 和(%s,%ls)这两个元组之间是相互独立的，也就是说它们之间的四种组合都是可以的。

再次，printf用于byte stream，即输出流中的每个字符颤1 byte；而wprintf则用于wide stream，输出流中的每个字符不止 1 byte。

说了一堆废话，还是结合实例来看看%ls和%s的区别吧

例子1 printf + %s + wstr

printf("%s ",wstr);

whodare@whodare:$ ./a.out 
-N

哈，这个郁闷的"-N"又一次出现！为什么会出现呢？让我来分析一下printf在执行时所完成的操作吧。

这里用了%s, printf 就会将对应的参数wstr视为普通字符串（尽管我们清楚他是个wcs而不是mbs）；另一方面，我们已经看到了wstr[ ]的内存布局，其前3 byte为 0x2d ,0x4e,0x00。我们都知道C中的字符串以’/0’为结束标志，因此printf只会处理wstr[ ]中的前三个byte，而查一查ASCII表，0x2d对应字符’-’，0x4e对应字符’N’，所以我们会看到”-N"这个诡异的输出。

例子2 printf + %ls + wstr

printf("%ls ",wstr);

whodare@whodare:$ ./a.out 
中文

使用了%ls,printf会将对应的参数视为宽字符串(wcs)，而printf又对应byte stream，因此这里要对宽字符(wcs)进行转换，变成普通的字符串(mbs)。这里的转换是printf通过对每个宽字符隐式的调用wcrtomb ()这个标准库函数完成的。按么，wcrtomb()这个函数进行是按照什么规则进行转换的？这就是setlocale()的作用所在了，wcrtomb 会依据程序员设定的locale，将wcha_t中存放的码值，转换为相应的的多字节编码。

回到例子中，我的机器的locale为zh_CN.UTF-8，对应的编码为UTF-8，因此wstr[ ]中存放的Unicode码值会转换为UTF-8编码的形式输出到标准输出流中，这样采用UTF-8编码的console就能正确识别受到的字节流并显示出"中文"

例子3 wprintf + %s +wstr (最初的代码！)

wprintf(L"%s ",wstr);

whodare@whodare:$ ./a.out 
-N

使用了%s,wprintf会将对应的参数视为普通字符串mbs，尽管我们还是很清楚它其实是个wcs。wprintf 使用的是wide stream,因此需要将所给的mbs参数转换为wcs再由wprintf完成输出；这个转换是由wprintf隐式的对mbs不断调用mbrtowc来 完成，转换规则依然是和locale相关的。

我们知道wstr的内存布局为：

    0x2d    0x4e    0x00    0x00    0x87    0x65    0x00    0x00
    0x00    0x00    0x00    0x00

该"mbs"的转换结果为 L‘0x2d’ + L ‘0x4e’ + L ‘0x00’ ，最终输出结果又是讨厌的"-N"

例子4 wprintf + %ls+ wstr

wprintf(L"%ls ",wstr);

whodare@whodare:$ ./a.out 
中文

使用了%ls,wprintf会将对应参数视为宽字符串wcs，这次终于没有搞错。因此wprintf会顺利的将给定的宽字符串写入标准输出流，最终正确显示"中文"

看完这4个例子，你对wprintf、printf和%ls 、%s的使用还有疑惑么？

四、小结

1。要清楚%ls和%s的意义在于指明所期待的参数是何种字符串，而printf和wprintf的区别在于所使用的是不同类型的stream

2。貌似在linux下输出“中文"的正确方法是 wprintf( "%ls/n",L"中文") ，而引文中作者在Windows成功操作的wprintf("%s/n", L"中文")在linux无法正确工作，至于为何wprintf这个标准库函数在两个系统下有不同表现，我是无心再向下深挖了，难道这又是VC一处不符合 标准的地方？.......

3 。貌似还有一个%S，单独用于表示对应参数是宽字符串

---