C/C++ isspace() 跳过多字节字符串字符答案

【问题标题】：C/C++ isspace() skipping multibyte string charactersC/C++ isspace() 跳过多字节字符串字符
【发布时间】：2014-02-13 12:24:03
【问题描述】：

我有以下函数返回从字符串中去除空格，

char *rtrim(char *l_ptr)
{
    char *lptr = l_ptr + strlen(l_ptr) - 1;
    for (; lptr != l_ptr && isspace((int)*lptr); lptr--)
        ;
    *lptr = '\0';
       return lptr;
}

char *ltrim(char *l_ptr)
{
    char *lptr;
    for (lptr = l_ptr; *lptr != '\0' && isspace((int)*lptr); lptr++)
        ;
    return lptr;
}


char *trim(char *l_ptr) {
return rtrim(ltrim(l_ptr));
}

问题是它的修剪字符如下 -

从“中删除前导空格

Ć"

删除了前导空格，结果是“”

字符是 0xc6，前面有几个空格。我已经检查了包含 setlocale(LC_ALL, ""); 的代码。 LANG 设置为 pl_PL.isoo88592。非常感谢任何帮助。

谢谢。

【问题讨论】：

你使用的是什么字符编码？
@JohnZwinck 根据他的 LANG 设置，我猜是 ISO 8859-2（Latin-2，用于东欧）。
注意：如果l_ptr 是""，则char *lptr = l_ptr + strlen(l_ptr) - 1; 是UB。（也许也是一个 long 循环。）
如果char 已签名，则字符不是 0xC6，而是-0x3A。相同的 8 位模式，带有 2 的补码，但提升为 int 时的值不同。

标签： c++ c string

【解决方案1】：

问题在于您如何调用isspace。仅限isspace 如果输入在[0,UCHAR_MAX] 范围内，则已定义结果（或者是EOF）。在您的系统上，char 可能已签名，这表示(int)*lptr 将导致重音字符（代码点大于 127 的字符），不在合法范围内。

当调用is...的一种参数形式时（那些在 <cctype> 或 <ctype.h>)，你应该总是投射任何 char 键入 unsigned char: isspace( static_cast<unsigned char>( *lptr ) )。（unsigned char的隐式转换到int 会做正确的事。）

【讨论】：

虽然根据标准您是完全正确的，但您确定这是导致 OP 问题的原因吗？如果我没记错的话，至少 glibc 有意在 isspace 等函数中支持负值作为标准要求的扩展。
@hvd 它可以解释症状。尽管正如您所说，某些实现确实会努力使其正常工作（Latin-1 中的 'ÿ' 除外，其代码点为 0xFF）；我记得在 Solaris 下就是这种情况。（我不记得在 Linux 下尝试过，看看 glibc 做了什么。）我还要求过去至少有一次，在 Windows（使用 VC++）下不是这种情况。

【解决方案2】：

rtrim() 有多个问题。

isspace() 仅在 unsigned char 和 EOF 范围内为 int 定义。对于 0 到 CHAR_MAX 范围之外的值（通常为 0 到 127），需要在隐式转换为 int 之前转换为 unsigned char。（@James Kanze）

C11dr §7.4.1 “...其值应表示为unsigned char 或应等于宏EOF 的值。如果参数具有任何其他值，则行为未定义。”
char *lptr = l_ptr + strlen("") - 1; 不好，因为该指针值不知道是否有效。需要新方法。这也用
启动了一个 long 循环
for (; lptr != l_ptr ... ; lptr--)
*lptr = '\0'; return lptr; 总是返回""。 @hvd 可能需要字符串的开头。

建议重写：

#include "ctype.h"
char *rtrim(char *l_ptr) {
  unsigned char *ptr = (unsigned char *) l_ptr;
  unsigned char *end = ptr;
  while (*ptr) {
    if (!isspace(*ptr++)) {
      end = ptr;
    }
  }
  *end = '\0';
  return l_ptr;
}

【讨论】：

@user3305937 如果其中一个答案很好地满足您的帖子的需求，请接受它。在您获得 15 个以上的代表点数后，请务必对您认为有用的所有答案进行投票。

【解决方案3】：

您的rtrim 函数以

结尾

*lptr = '\0';
return lptr;

除了将被视为空字符串之外，这永远不会返回任何内容。然后在trim 中直接返回该结果。

根据您希望这些函数如何工作，您应该让rtrim 返回l_ptr 的原始值，它保持不变并指向字符串的开头，或者让trim 忽略返回rtrim 的值。

所有字符都会有同样的问题，而不仅仅是'Ć'。

【讨论】：

我认为在rtrim 中返回字符串的结尾没有有问题，而是rtrim 用于实现trim 的方式。
@hmn 哦，当然，我想这也是一种有效的方法。将编辑。

【解决方案4】：

如果您使用的是多字节字符，切换到wchar 可能会更容易，以避免不必要的 char(pointer) 操作麻烦？

您可以使用iswspace 来检查字符是否为空格。

【讨论】：

他的环境似乎说他使用的是 ISO 8859-2，它不是多字节的。