c++ - 为什么 u8'A' 可以是 char 类型，而 UTF-8 最多可以是 4 个字节，而 char 通常是 1 个字节？

Question

我在读wchar_t 在一般编程中有什么用？并在接受的答案中发现了一些令人困惑的地方：

使用可变宽度编码的 char 更为常见，例如 UTF-8 或 GB 18030。

我从我的教科书中找到了这个：

UTF-8的Unicode编码不是最多4个字节吗？char对于大多数平台来说是 1 个字节。我误解了什么吗？

---

更新：

经过搜索和阅读，现在我知道了：

1. 代码点和代码单元是不同的东西。代码点是唯一的，而代码单元依赖于编码。
2. u8'a'(a char, not string) 只允许用于基本字符集（ASCII 和它的控制字符的东西），它的值是对应的 'a' 的代码单元值，对于 ascii 字符，代码单位与代码点的值相同。（这就是@codekaizer的回答所说的）
3. std::string::size()返回代码单元。

所以编辑们都在处理代码单元，对吧？如果我将文件编码从 utf8 更改为 uft32，那么 size ofə会是4吗？

标签： c++

Answer 1

utf8的unicode编码不是最多4个字节吗？

根据lex.ccon/3，强调我的：

以 u8 开头的字符文字，例如 u8'w'，是 char 类型的字符文字，称为 UTF-8 字符文字。UTF-8 字符文字的值等于其 ISO 10646 代码点值，前提是代码点值可以用单个 UTF-8 代码单元表示（也就是说，只要它在 C0 控件和基本拉丁 Unicode 中堵塞）。如果该值不能用单个 UTF-8 代码单元表示，则程序是ill-formed。包含多个 c 字符的 UTF-8 字符文字是ill-formed。

单个 UTF-8 代码单元为 1 个字节。