Windows 上代理对（BMP 中的 Unicode 字符）的 wchar_t* 大小答案

【问题标题】：Size of wchar_t* for surrogate pair (Unicode character out of BMP) on WindowsWindows 上代理对（BMP 中的 Unicode 字符）的 wchar_t* 大小
【发布时间】：2012-07-15 06:40:56
【问题描述】：

我在 Windows 8 上遇到了一个有趣的问题。我测试了我可以用 wchar_t* 字符串表示 BMP 之外的 Unicode 字符。以下测试代码对我产生了意想不到的结果：

const wchar_t* s1 = L"a";
const wchar_t* s2 = L"\U0002008A"; // The "Han" character

int i1 = sizeof(wchar_t); // i1 == 2, the size of wchar_t on Windows.

int i2 = sizeof(s1); // i2 == 4, because of the terminating '\0' (I guess).
int i3 = sizeof(s2); // i3 == 4, why?

U+2008A 是Han character，它不在二进制多语言窗格中，因此它应该由 UTF-16 中的代理对表示。这意味着 - 如果我理解正确的话 - 它应该由两个 wchar_t 字符表示。所以我预计 sizeof(s2) 为 6（代理对的两个 wchar_t-s 为 4，终止 \0 为 2）。

那么为什么 sizeof(s2) == 4？我测试了s2字符串构造正确，因为我用DirectWrite渲染过，汉字符显示正确。

更新：正如 Naveen 指出的，我试图错误地确定数组的大小。以下代码产生正确的结果：

const wchar_t* s1 = L"a";
const wchar_t* s2 = L"\U0002008A"; // The "Han" character

int i1 = sizeof(wchar_t); // i1 == 2, the size of wchar_t on Windows.

std::wstring str1 (s1);
std::wstring str2 (s2);

int i2 = str1.size(); // i2 == 1.
int i3 = str2.size(); // i3 == 2, because two wchar_t characters needed for the surrogate pair.

【问题讨论】：

标签： c++ windows unicode utf-16

【解决方案1】：

sizeof(s2) 返回存储指针 s2 或任何其他指针所需的字节数，在您的系统上为 4 个字节。它与s2指向的~~存储在~~中的字符无关。

【讨论】：

"它与存储在s2中的字符无关" -- 由于问题是由于指针与指向的事物之间的误解引起的，因此您应该避免引起另一个这样的误解。 s2 中没有存储字符。在这种情况下，有一个字符存储在 s2[0] 和 s2[1] 中。如果它不是代理对，那么将有一个字符单独存储在 s2[0] 中，即在 *s2 中。

【解决方案2】：

sizeof(wchar_t*) 与sizeof(void*) 相同，即指针本身的大小。在 32 位系统上总是 4，在 64 位系统上总是 8。您需要使用wcslen() 或lstrlenW() 而不是sizeof()：

const wchar_t* s1 = L"a"; 
const wchar_t* s2 = L"\U0002008A"; // The "Han" character 

int i1 = sizeof(wchar_t); // i1 == 2
int i2 = wcslen(s1); // i2 == 1
int i3 = wcslen(s2); // i3 == 2

【讨论】：

"sizeof(wchar_t*) is the same as sizeof(void*)" -- 这不是我的理解。 sizeof(char*)、sizeof(signed char*) 和 sizeof(unsigned char*) 的大小都与 sizeof(void*) 相同。 sizeof(wchar_t*) 和 sizeof(other random stuff) 可以小于 sizeof(void*) 取决于实现。
@Windowsprogrammer：正确——尽管绝大多数现代编译器使所有指针类型的大小相同。
为什么任何编译器，更不用说 C/C++ 标准，允许任何sizeof(any pointer type) 小于sizeof(void*)？从 sizeof() 的角度来看，指针就是指针，指针就是指针，与它的数据类型无关。
@Remy Lebeau 对于现代 C/C++ 来说，允许不同大小类型的指针是一个坏主意。但是举一个潜在用途的例子：在嵌入式世界（一些使用哈佛架构）中，程序和常量数据可能存在于一个地址空间（ROM）中，而非常量数据可能存在于另一个地址空间（RAM）中。 ROM 大小可能为 MBytes，RAM 为 64k。因此，指向函数的指针、const data > 16 位和指向可变数据的指针是 16。我用来玩其他游戏的 PIC 将其全部保留为 16 位，但我想我会就类型的重要性传递一个想法。
当内存非常宝贵时，如果您可以使用更少的字节来存储特定类型的指针，这被认为是一个优势。标准允许的一种设置是使用 16 位 int * 来寻址 65535 ints（尽管我不知道是否有人真的这样做了）

【解决方案3】：

答案的附录。
RE：解开i1 和i2、i3 在问题更新中使用的不同单位。

i1 值 2 是以 bytes 为单位的大小
i2 值 1 是以 wchar_t 为单位的大小，IOW 4 字节（假设 @987654326 @ 是 4)。
i3 值 2 是 wchar_t 中的大小，IOW 8 字节

【讨论】：