À l'aide de l'Unicode dans le code source C++

Quelle est la norme de codage de code source C++? Le standard C++ même dire quelque chose à ce sujet? Puis-je écrire de source C++ en Unicode?

Par exemple, puis-je utiliser des caractères non-ASCII comme les caractères Chinois dans les commentaires? Si oui, est-Unicode complète permis ou seulement un sous-ensemble de l'Unicode? (par exemple, que les 16 bits de la première page ou quelque chose comme ça.)

Par ailleurs, puis-je utiliser l'Unicode pour les chaînes? Par exemple:

Wstring str=L"Strange chars: â Țđ ě €€";
  • RE: "quelque chose comme ça": Wikipedia: Le premier avion, l'avion 0, Basic Multilingual Plane (BMP) contient les caractères de presque toutes les langues modernes, et un grand nombre de symboles. L'objectif principal de la BMP est de soutenir l'unification de l'avant les jeux de caractères ainsi que les caractères de l'écriture. La plupart du code assigné points dans les BMP sont utilisés pour coder Chinois, Japonais et coréen (CJK) caractères.
InformationsquelleAutor Kresimir Cosic | 2008-12-01
  1. 34

    Codage en C++ est un peu compliqué. Voici ma compréhension de celui-ci.

    Chaque mise en charge les caractères de la source de base de jeu de caractères. Ces inclure des caractères communs énumérés dans le §2.2/1 (§2.3/1 en C++11). Ces caractères doivent toutes s'inscrivent dans une char. En outre implémentations ont à soutenir une façon de nommer les autres caractères à l'aide d'une méthode appelée universal-character-names et ressembler à \uffff ou \Uffffffff et peut être utilisé pour se référer à des caractères Unicode. Une partie d'entre eux sont utilisables dans les identificateurs (énumérés à l'Annexe E).

    C'est tout beau, mais le mappage de caractères dans le fichier, à la source des caractères (utilisé au moment de la compilation) est définie par l'implémentation. Ceci constitue l'encodage utilisé. Voici ce qu'il dit littéralement (C++version 98):

    Physique du fichier source caractères sont
    mappé, la mise en œuvre définies
    manière, à la source de base de caractère
    set (introduction de caractères de nouvelle ligne
    pour la fin d'indicateurs de ligne) si
    nécessaire. Trigraph séquences (2.3)
    sont remplacés par les correspondants
    un seul caractère interne
    des représentations. N'importe quel fichier source
    caractère qui n'est pas dans la base source
    jeu de caractères (2.2) est remplacé par le
    universelle-personnage-nom qui des-
    ignates de ce personnage. (Un
    la mise en œuvre peut utiliser n'importe interne
    l'encodage, aussi longtemps que la réelle
    caractère étendu rencontrées dans la
    fichier source, et la même étendue
    caractère exprimé dans le fichier source
    universelle-personnage-nom (c'est à dire
    à l'aide de l' \uXXXX notation), sont
    traités de manière équivalente.)

    Pour gcc, vous pouvez la modifier en utilisant l'option -finput-charset=charset. En outre, vous pouvez modifier l'exécution de caractère utilisé pour represet valeurs lors de l'exécution. Le bon choix pour ce qui est -fexec-charset=charset pour char (la valeur par défaut est utf-8) et -fwide-exec-charset=charset (qui, par défaut, soit utf-16 ou utf-32 en fonction de la taille de wchar_t).

    InformationsquelleAutor Johannes Schaub - litb
  2. 10

    La norme C++ ne dit rien sur le code source d'encodage de fichier, donc autant que je sache.

    L'habitude de codage est (ou était) 7-bit ASCII -- certains compilateurs (de Borland, par exemple) rechignent à caractères ASCII qui a utilisé le peu élevé. Il n'y a pas de raison technique pour que les caractères Unicode ne peut pas être utilisé, si votre compilateur et l'éditeur de les accepter, pour la plupart, moderne, basé sur Linux, les outils, et de nombreux des meilleurs Windows éditeurs, gérer l'encodage UTF-8 sans problème, même si je ne suis pas sûr que Microsoft compilateur.

    EDIT: Il semble que Microsoft compilateurs acceptent un fichier encodé en Unicode, mais il va parfois produire des erreurs sur 8 bits ASCII trop:

    warning C4819: The file contains a character that cannot be represented
in the current code page (932). Save the file in Unicode format to prevent
data loss.
    • Il sorte de ne. Je ne pense pas qu'il expressément qu'il est interdit ou permet l'unicode, mais c'est le minimum admissible de jeu de caractères: csci.csusb.edu/dick/c++std/cd2/lex.html#lex.jeu de caractères
    • Depuis C++Builder2007, Borland/Codegear compilateur a pris en charge unicode fichiers de source: c'est à dire de l'Unicode des littéraux de chaîne unicode commentaires. l'IDe a un peu de mal avec eux, mais le compilateur est heureux!
    • Borland chose que j'ai mentionné a été d'environ vingt ans (la dernière fois que j'ai essayé de mettre un haut-le caractère ASCII dans un fichiers de code source). 🙂 Je n'ai pas utilisé un compilateur Borland dans environ dix ans.
    • Les compilateurs Microsoft en charge d'Unicode uniquement pour les caractères de large (L"...").
    InformationsquelleAutor Head Geek
  3. 9

    En plus de litb post, MSVC++ prend en charge Unicode trop. Je comprends qu'il obtient le codage Unicode à partir de la NOMENCLATURE. Il a certainement prend en charge le code comme int (*♫)(); ou const std::set<int> ∅;
    Si vous êtes vraiment dans le code obfuscuation:

    typedef void ‼; //Also known as \u203C
class ooɟ {
    operator ‼() {}
};
    • Cela peut être utile pour l'écriture, par exemple, les logiciels de mathématiques où le code source peut être aligné à la source. Vous pouvez le faire en Java, qui accepte de l'UTF-8 du code source. Cependant, pour le C++ (et C), il peut y avoir des problèmes dans la façon dont la non-ASCII jetons sont transformés en noms de symbole, qui doit être compatible avec le reste du système d'exploitation - et pas seulement une caractéristique du compilateur. Pour C++, cela pourrait être subsumé sous le nom de déformation.
    InformationsquelleAutor MSalters
  4. 6

    Il y a deux questions en jeu ici. La première est que les caractères sont autorisés dans le code C++ (et les commentaires), comme des noms de variables. La deuxième est que les caractères sont autorisés dans les chaînes et les littéraux de chaîne.

    Comme indiqué, les compilateurs C++ doit soutien très limité en ASCII jeu de caractères pour les caractères autorisés dans le code et les commentaires. Dans la pratique, ce jeu de caractères ne fonctionnent pas très bien avec certains jeux de caractères (et en particulier avec l'europe, certains des claviers qui n'ont pas de quelques personnages-comme les crochets -- disponible), de sorte que le concept de bigrammes et trigraphs a été introduit. De nombreux compilateurs acceptent plus de ce jeu de caractères à ce moment, mais il n'y a pas de garantie.

    Comme pour les chaînes et les littéraux de chaîne, C++ est le concept d'un caractère large et de chaîne de caractères larges. Cependant, l'encodage pour que le jeu de caractères n'est pas défini. Dans la pratique, il est presque toujours Unicode, mais je ne pense pas qu'il n'y a aucune garantie ici. Large chaîne de caractères littéraux ressembler à L"littéral de chaîne", et ceux-ci peuvent être affectés à std::wstring de l'.

    C++11 a ajouté la prise en charge explicite des chaînes Unicode et les littéraux de chaîne, codé en UTF-8, UTF-16 big endian, UTF-16 little endian, UTF-32 big endian et UTF-32 little-endian.

    InformationsquelleAutor Max Lybbert
  5. 3

    Pour l'encodage dans les chaînes, je pense que vous êtes censé utiliser le \u notation, par exemple:

    std::wstring str = L"\u20AC"; //Euro character
    InformationsquelleAutor Rob
  6. 2

    Il est également intéressant de noter que l'échelle de caractères en C++ ne sont pas vraiment des chaînes Unicode en tant que tel. Ils sont simplement des chaînes de caractères plus grands, généralement de 16 ans, mais parfois 32 bits. Cette mise en œuvre est définie, bien que, autant que je me souvienne, vous pouvez avoir un 8-bit wchar_t Vous n'avez pas de réelle garantie quant à l'encodage en eux, donc si vous essayez de faire quelque chose comme: traitement de texte, vous voudrez probablement un typedef la plus adaptée au type entier à votre Unicode entité.

    C++1x a plus de support de l'unicode sous la forme de l'encodage UTF-8 littéraux de chaîne (u8"text"), et UTF-16 et UTF-32 types de données (char16_t et char32_t IIRC) et les constantes de chaîne (u"text" et U"text"). Le codage de caractères spécifié sans \uxxxx ou \Uxxxxxxxx constantes est toujours de mise en œuvre-défini, même si (et il n'y a pas de support d'encodage pour des complexes de la chaîne types de l'extérieur de la littéraux)

    • N'est-ce pas la minuscule littérale u seulement pour les personnages?
    InformationsquelleAutor coppro
  7. 2

    Dans ce contexte, si vous obtenez MSVC++ erreur c4819 avertissement, il suffit de modifier le fichier source de l'encodage "UTF-8 avec Bom".

    GCC 4.1 ne supporte pas cela, mais GCC 4.4, et le dernier Qt version utilise GCC 4.4, afin de l'utiliser "UTF-8 avec Bom" que le fichier source de codage.

    InformationsquelleAutor raidsan
  8. 0

    Autant que je sache, Il n'est pas normalisé, comme vous pouvez le mettre n'importe quel type de caractères dans les chaînes étendues.
    Vous avez juste à vérifier que votre compilateur est d'Unicode code source pour le faire marcher droit.

    InformationsquelleAutor Klaim