是否可以使用 Unicode“argv”？

Question

我正在为使用文件作为参数的应用程序编写一个小包装器。

包装器需要采用 Unicode，因此我使用 wchar_t 来表示我拥有的字符和字符串。现在我发现自己遇到了问题，我需要将程序的参数放在 wchar_t 数组和 wchar_t 字符串中。

是否可以？我正在定义 main 充当

int main(int argc, char *argv[])

我应该使用 wchar_t 吗 argv?

非常感谢，我似乎没有找到有关如何在 C 中正确使用 Unicode 的有用信息。

Answer 1

一般来说，没有。这取决于操作系统，但 C 标准规定“main()”的参数必须是“main(int argc, char **argv)”或等效形式，因此除非 char 和 wchar_t 是相同的基本类型，你做不到。

话虽如此，您可以将 UTF-8 参数字符串输入程序，将它们转换为 UTF-16 或 UTF-32，然后继续生活。

在 Mac（10.5.8，Leopard）上，我得到：

Osiris JL: echo "ï€" | odx
0x0000: C3 AF E2 82 AC 0A                                 ......
0x0006:
Osiris JL: 

这都是UTF-8编码的。（odx 是一个十六进制转储程序）。

也可以看看： 为什么与UNIX/Linux环境交互时使用UTF-8编码

Answer 2

可移植代码不支持它。Windows（例如）支持使用 wmain 代替 main, ，在这种情况下 argv 作为宽字符传递。

Answer 3

在 Windows 上，您可以使用 GetCommandLineW() 和 CommandLineToArgvW() 产生 argv 风格 wchar_t[] 数组，即使应用程序不是针对 Unicode 编译的。

Answer 4

无论如何，在 Windows 上，你可以有一个 wmain() 用于 UNICODE 构建。虽然不便携。我不知道 GCC 或 Unix/Linux 平台是否提供类似的东西。

Answer 5

假设您的 Linux 环境使用 UTF-8 编码，那么以下代码将为您的程序准备好在 C++ 中轻松进行 Unicode 处理：

    int main(int argc, char * argv[]) {
      std::setlocale(LC_CTYPE, "");
      // ...
    }

接下来，wchar_t 类型在 Linux 中是 32 位，这意味着它可以保存单独的 Unicode 代码点，并且您可以安全地使用 wstring 类型进行 C++ 中的经典字符串处理（逐个字符）。通过上面的 setlocale 调用，插入 wcout 会自动将输出转换为 UTF-8，从 wcin 提取会自动将 UTF-8 输入转换为 UTF-32（1 个字符 = 1 个代码点）。剩下的唯一问题是 argv[i] 字符串仍然是 UTF-8 编码。

您可以使用以下函数将 UTF-8 解码为 UTF-32。如果输入字符串被损坏，它将返回正确转换的字符，直到 UTF-8 规则被破坏的地方。如果您需要更多错误报告，您可以改进它。但对于 argv 数据，我们可以放心地假设它是正确的 UTF-8：

#define ARR_LEN(x) (sizeof(x)/sizeof(x[0]))

    wstring Convert(const char * s) {
        typedef unsigned char byte;
        struct Level { 
            byte Head, Data, Null; 
            Level(byte h, byte d) {
                Head = h; // the head shifted to the right
                Data = d; // number of data bits
                Null = h << d; // encoded byte with zero data bits
            }
            bool encoded(byte b) { return b>>Data == Head; }
        }; // struct Level
        Level lev[] = { 
            Level(2, 6),
            Level(6, 5), 
            Level(14, 4), 
            Level(30, 3), 
            Level(62, 2), 
            Level(126, 1)
        };

        wchar_t wc = 0;
        const char * p = s;
        wstring result;
        while (*p != 0) {
            byte b = *p++;
            if (b>>7 == 0) { // deal with ASCII
                wc = b;
                result.push_back(wc);
                continue;
            } // ASCII
            bool found = false;
            for (int i = 1; i < ARR_LEN(lev); ++i) {
                if (lev[i].encoded(b)) {
                    wc = b ^ lev[i].Null; // remove the head
                    wc <<= lev[0].Data * i;
                    for (int j = i; j > 0; --j) { // trailing bytes
                        if (*p == 0) return result; // unexpected
                        b = *p++;   
                        if (!lev[0].encoded(b)) // encoding corrupted
                            return result;
                        wchar_t tmp = b ^ lev[0].Null;
                        wc |= tmp << lev[0].Data*(j-1);
                    } // trailing bytes
                    result.push_back(wc);
                    found = true;
                    break;
                } // lev[i]
            }   // for lev
            if (!found) return result; // encoding incorrect
        }   // while
        return result;
    }   // wstring Convert

Answer 6

在 Windows 上，您可以使用 tchar.h 和 _tmain，如果在编译时定义了 _UNICODE 符号，则它将转换为 wmain，否则将转换为 main。如果定义了 unicode，则 TCHAR *argv[] 将类似地扩展为 WCHAR * argv[]，如果没有定义，则扩展为 char * argv[]。

如果您想让您的 main 方法跨平台工作，您可以定义自己的宏来达到相同的效果。

TCHAR.h 包含许多用于 wchar 和 char 之间转换的便捷宏。