C 語言中的寬字串 -- 包含 Unicode

要在 C 語言中使用 Unicode 字串，假如您用的是 gcc 編譯器或 Linux，您可以使用寬字元 wchar_t 這個形態，以取代 char，然後用對應的函數取代原本的字串函數，以下是常見字串函數的寬字元版對應表。

窄字元 寬字元 說明
strlen() wcslen() 字串長度
strcat() wcscat 字串連接
strcmp() wcscmp() 字串比較
strcoll() wcscoll() 字串比較 (不分大小寫)
strcpy() wcscpy() 字串複製
strchr() wcschr() 尋找字元
strstr() wcswcs() 尋找字串
strtok() wcstok() 字串分割
strcspn() wcscspn() 傳回字串中第一個符合字元集的位置
strpbrk() wcspbrk() 傳回字串中第一個符合字元集的指標
strxfrm() wcsxfrm() 根據區域設定 locale() 轉換字元集

根據區域設定 locale() 轉換字元集 簡而言之，就是將原本 strXXX() 函數，轉換成 wcsXXX() 函數，然後照著原本的方法使用，只是對象從 char 改為 wchar_t 即可，請看下列範例。

程式範例：Unicode 寬字串處理函數

檔案：unicode.c

#include <stdio.h>
#include <locale.h>

int main(void)
{
    if (!setlocale(LC_CTYPE, "")) {
        fprintf(stderr, "Error:Please check LANG, LC_CTYPE, LC_ALL.\n");
        return 1;
    }
    wchar_t *str1=L"Hi!你好"; // 輸出結果 (範例)
    printf("str1=%ls\n", str1); // str1=Hi!你好
    printf("wcslen(str1)=%d\n", wcslen(str1)); // wcslen(str1)=5
    printf("wcschr(str1,%lc)=%d\n", L'好', wcschr(str1, L'好')); // wcschr(str1,好)=4206648
    printf("wcswcs(str1,%ls)=%d\n", L"你好", wcsstr(str1, L"你好")); // wcswcs(str1,你好)=4206646
    printf("wcsspn(str1,aeiou)=%d\n", wcsspn(str1, L"aeiou")); // wcsspn(str1,aeiou)=0
    printf("wcsspn(str1,EFGH)=%d\n", wcsspn(str1, L"EFGH")); // wcsspn(str1,EFGH)=1
    printf("address(str1)=%p\n", str1); // address(str1)=00403030
    printf("wcssbrk(str1,aeiou)=%p\n", wcspbrk(str1, L"aeiou")); // wcssbrk(str1,aeiou)=00403032
    wchar_t str2[20];
    wcscpy(str2, str1);
    printf("str2=%ls\n", str2); // str2=Hi!你好
    printf("wcscmp(str1,str2)=%d\n", wcscmp(str1, str2)); // wcscmp(str1,str2)=0
    wcscat(str2, L",我是John");
    printf("str2=%ls\n", str2); // str2=Hi!你好,我是John
    return 0;
}

執行結果

D:\cp>gcc unicode.c -o unicode

D:\cp>unicode
str1=Hi!你好
wcslen(str1)=5
wcschr(str1,好)=4206648
wcswcs(str1,你好)=4206646
wcsspn(str1,aeiou)=0
wcsspn(str1,EFGH)=1
address(str1)=00403030
wcssbrk(str1,aeiou)=00403032
str2=Hi!你好
wcscmp(str1,str2)=0
str2=Hi!你好,我是John

後記

寬字串的處理函數有很多，並不限於上列的函數，幾乎所有具有字串的標準 C 函數都有寬版，關於更多的寬版函數請參考下列網頁。

http://www.java2s.com/Tutorial/C/0300__Wide-Character-String/WideCharacterFunctions.htm

來自 jserv 的建議

"""
寬字串函數 — 寬字串的處理，在 C 語言中，通常寬字串指的是 Unicode (但不限定於 Unicode)
"""

wide-character 翻譯為「寬字串」，我覺得有本質的問題。

以下摘錄 CLDP:
http://linux.org.tw/CLDP/OLD/doc/i18n-introduction.html

"wcs" 是 "wide-chararater string" 的縮寫，而 "mbs" 是 "multi-byte string"
的縮寫，二者分別代表字串的表現方式。所謂的 multi-byte 是指數個 char 組成 一個字 (如全形字或中文字是由兩個 char
組成)，而 wide-char 是指一個 wchar_t type 就是一個字, 而 sizeof(wchar_t)
的大小與系統有關，一般而言是 4 bytes。 一般我們可以直接看、輸出輸入等都是 multi-byte, 如:
    char *str = "這是一個句子: abcd";

但我們會建議在程式內部，用 mbstowcs() 將它轉成 wchar_t 來統一處理，這個 轉換其實是根據 locale 中的
LC_CTYPE 的機制，它定義了 multi-byte 與 wide- char
值二者間的對應關係。做這樣轉換的好處是，您不用擔心全形、半形的問題， 因為一個 wchar_t 矩陣元就是一個字。

wchar_t 有一組與 string.h 中相對應的字串處理函式，就定義在 wchar.h 中，讓我們可以如同處理 (char *) 那樣
地處理 (wchar_t *), 其部分的對應關係如下，其他的可以直接看 wchar.h 的內容:

    wcscpy()        <====>          strcpy()
    wcsncpy()       <====>          strncpy()
    wcslen()        <====>          strlen()
    wcsdup()        <====>          strdup()
    wcscmp()        <====>          strcmp()
    wcsncmp()       <====>          strncmp()
    ........................................

由於 mbs 碼與 wcs 碼的對應關係是由該 locale 的 LC_CTYPE 來決定的，也就是不 同的 locale
寫法其對應關係可能會不一樣。就我們的 glibc2, zh_TW.Big5 locale 而言，由 mbs 轉成的 wcs 即為
unicode (有關 unicode 的資訊可以在 http://www.unicode.org/
中找到)，但不能保證在其他的系統或環境下也是如此。 故最保險的做法，是將字串儲存成 multi-byte, 然後在 run-time 時才用
mbstowcs() 轉成 wide-char 來運作。

==> 可以看出重點不在於字串 (C 語言的 string 只是一個寫法，本質上仍是連續記憶體) 的「寬度」，而是 character 與
character set 的「範圍寬度」
==> 建議保留原文 "wide character"，真要翻譯的話，可寫「擴充字元」

參考文獻