两种情况下 wchar_t 字符的整数值之间的差异答案

【问题标题】：difference between integral value of wchar_t character in two situation两种情况下 wchar_t 字符的整数值之间的差异
【发布时间】：2013-07-05 19:15:15
【问题描述】：

当我使用此代码在 unicode 中获取“س”的整数值时，我得到 1587（即十六进制的 633）。这是 unicode 标准中 'س' 的正确值。

wchar_t wc = L'س';
cout<<wc; // or wcout<<int(wc);

现在，我将这个字符放入一个使用 UTF-8 字符编码的 txt 文件中，然后以十六进制模式检查它的值。我得到d8 b3，这意味着十进制的55475。

为什么这些值不匹配？

添加：这是我的代码：

wchar_t wc = L'س';
FILE *f;
f = fopen("input1.txt", "w");
_setmode(_fileno(f), _O_U8TEXT);
fwprintf(f, L"%c", wc);
fclose(f);

【问题讨论】：

wchar_t wc = L"س"; 甚至不会编译（带双引号）。你能展示你使用的真实代码吗（包括你如何写入文件）？
哦，对不起，你是对的。谢谢你。在我的代码中是L'س'。
@JesseGood 我添加了真实代码
cout << wc 不会给您期望的结果。它会将输入拆分为 8 位字符，然后打印。您需要使用 wcout。 wcout << int(wc) 有什么价值？
@Zaphod：这是不正确的。当您将 wchar_t 类型传递给 std::cout 时，它会打印十进制值（作为整数）。

标签： c++ unicode wchar-t

【解决方案1】：

d8 b3 表示十进制的 55475。

这是 UTF-8 中 Unicode Character 'ARABIC LETTER SEEN' 的正确编码。见here for a reference。 0xD8 0xB3 (d8b3)。当我使用您的代码并使用可以理解 UTF-8 而没有 BOM 的文本编辑器打开它时，我可以看到该字符。十进制的1587，是字符以UTF-16或UTF-32编码时的值。

【讨论】：

我得到 1587 标准输出。 cout 使用 UTF-16 还是 UTF-32？
@JalalJaberi: std::cout 只打印存储在wc 中的值，因为它不知道wchar_t，它只显示char 类型的字符。在 Windows 上，wchar_t 是 16 位类型并存储编码为 UTF-16 的字符，当您将其写入文件时，您指定将字符转换为 UTF-8

【解决方案2】：

UTF-8 并不使用所有位来表示字符，因为它需要至少一位来表示字符点跨越更多字节。你可以在这里看到它：https://en.wikipedia.org/wiki/UTF-8

来自http://www.cl.cam.ac.uk/~mgk25/unicode.html，有代码点范围及其二进制表示：

U-00000000 – U-0000007F:    0xxxxxxx
U-00000080 – U-000007FF:    110xxxxx 10xxxxxx
U-00000800 – U-0000FFFF:    1110xxxx 10xxxxxx 10xxxxxx
U-00010000 – U-001FFFFF:    11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
U-00200000 – U-03FFFFFF:    111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
U-04000000 – U-7FFFFFFF:    1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

编辑：更清楚一点，D8B3 是代码点 1587 的 unicode 十六进制表示。

【讨论】：

好的，我的问题和你的回答有什么关系我的朋友？ :-?
十进制 1587，十六进制 633 在第二个范围内。十六进制的 633 二进制是 11000110011，但它会表示为 110 11000 10 110011。即十六进制的 D8B3。