Русская строка в C

#cpp #c

Как получается что русские символы умещаются в C строке в кодировке UTF-8 когда каждый
русский символ в этой кодировке занимает 2 байта, а ячейка в C строке вмещает только
1 байт?
Почему если выводить эту строку, то она выведется без проблем, а если выводить её
посимвольно, то она выводит ошибки?
Ещё если можно, то посоветуйте материалов почитать по этой теме. 

char a[] = "Строка";
std::cout << a << std::endl;
for (int i = 0; i < 6; i++)
std::cout << a[i] << std::endl;



    

Ответы

Ответ 1

Чудес не бывает - символы, занимающие больше одного байта в Си так же занимают больше
одного байта. В случае со строкой char они лежат в нескольких ячейках (в случае с двухбайтными
- первый символ лежит в первых двух, второй - во вторых двух).

Если говорить о C++, то для многобайтных символов есть специальный тип wchar_t, который
имеет размер в 4 байта для GNU/Linux и 2 байта для Windows API

Аналогом std::string для этого типа является std::wstring.

http://en.cppreference.com/w/cpp/string/basic_string



// сперва считаем символ беззнаковым, потом переводим его в целое число
char a[] = "Строка";
std::cout << (int)(unsigned char)a[0] << "; " << (int)(unsigned char)a[1] << std::endl;


Выведет 208; 161 (https://ideone.com/FyUdhj)

Согласно вот это (https://unicode-table.com/ru/0421/) таблице, символ С в UTF-8 представляется
двумя байтами, как раз 208 161


Ответ 2

Ячейка в С-строке вмещает, конечно, один байт, но каждый символ в таком случае будет
занимать в ней два места. И длина всей строки -- 12

char a[] = "Строка";
std::cout << a << ' ' << strlen(a) << std::endl; // Строка 12


Например, если вывести из этой строки по два символа, то выведутся правильные символы:

for (int i = 0; i < 6; i++)
    std::cout << a[2*i] << a[2*i+1] << std::endl;


utf-8 -- мультибайтовая кодировка (разные символы могут занимать разное количество
байт). В том числе кириллические символы будут занимать два байта. При инициализации
строки каждый по два байта и займёт.
Следующие две конструкции с точки зрения языка эквивалентны:

char a[] = "\xd0\xa1\xd1\x82\xd1\x80\xd0\xbe\xd0\xba\xd0\xb0";
char a[] = "Строка";