C 語言原始碼字符集與執行字符集：編碼轉換、多位元組支援與實務指南

一、兩套字符集的角色分工

二、編譯期轉換流程

1. 物理原始檔映射：將輸入檔案位元組對應到原始碼字符集 (如 UTF-8 → 內部通用字符名 UCN)。
2. 三字母詞替換：??= → # 等 (舊環境相容)。
3. 行拼接：反斜線換行合併。
4. 預處理符號分解：註解替換為空白、分解預處理符號與符號。
5. 字元常值/字串字面值轉換：關鍵步驟 —— 將原始碼字符集編碼的字元/字串轉換為執行字符集編碼。
   例：原始檔 UTF-8 "中" (3 位元組) → 執行字符集 GBK "\xD6\xD0" (2 位元組) 或 UTF-16 L"中" (2 位元組)。
6. 後續編譯階段：語法分析、語義分析、代碼生成。

三、字元常值與字串字面值的型別與編碼

四、常見編碼問題與解決方案

1. 原始檔編碼 ≠ 編譯器預期

GCC 預設原始碼字符集為 UTF-8。若檔案為 GBK，中文註解/字串會編譯錯誤或產生亂碼。

• 解法：統一專案用 UTF-8 (含 BOM 或無 BOM)，編譯器加 -finput-charset=GBK (舊專案遷移)。
• IDE 設定檔案編碼為 UTF-8。

2. 執行字符集不支援所需字符

嵌入式系統執行字符集為 ASCII/ISO-8859-1，無法直接儲存中文。

• 方案：原始碼用 Unicode 碼位 "\u4E2D" 或 U"\u4E2D"，執行期由 ICU/libiconv 轉換為目標編碼 (GBK/Big5/UTF-8) 輸出。

3. 字串字面值在不同平台行為不一

// Windows (MSVC) 執行字符集通常為當前代碼頁 (CP936/GBK)
// Linux (GCC) 執行字符集通常為 UTF-8
char *s = "中文"; 
// sizeof(s) 在 Windows=3 (GBK), Linux=6 (UTF-8) — 可移植性極差！

最佳實踐：明確指定編碼前綴，避免依賴隱含執行字符集。

五、多位元組與寬字元處理實戰

標準庫函數族

• mblen, mbtowc, wctomb：單字元轉換 (依賴 setlocale)。
• mbstowcs, wcstombs：字串轉換。
• printf/scanf 格式：%s (多位元組)、%ls (寬字元)。

跨平台通用策略：內部統一 UTF-8/UTF-32，邊界轉換

// 內部一律用 UTF-8 (char*) 或 UTF-32 (char32_t*)
// 輸入：檔案/網路/使用者輸入 → iconv/ICU → 內部 UTF-8
// 處理：演算法運作於 UTF-8 碼位/字節
// 輸出：內部 UTF-8 → iconv/ICU → 目標編碼 (GBK/UTF-16/JSON \uXXXX)

六、C11/C18 現代特性

• u8"..." 明確 UTF-8 字串字面值 (C11)。
• char16_t, char32_t, <uchar.h> 固定寬度 Unicode 型別。
• u'😀' U'😀' 支援增補平面字符 (C11)。
• static_assert 編譯期驗證編碼假設。

七、總結建議

1. 專案強制統一 UTF-8 無 BOM 原始檔編碼。
2. 編譯器旗標明確指定 -finput-charset=UTF-8 -fexec-charset=UTF-8 (GCC/Clang)。
3. 字串字面值優先用 u8"..." 明確 UTF-8，避免隱含執行字符集。
4. 內部資料結構採用 UTF-8 或 UTF-32，邊界處理用 iconv / ICU。
5. 嵌入式無標準庫環境，手寫 UTF-8 ↔ 目標編碼查表轉換。

1. 上一篇文章： C 語言未定義行為完全指南：常見陷阱、後果與避坑策略
2. 下一篇文章： 反轉二叉樹演算法詳解：遞迴與迭代兩種 C/C++ 實作

關於C語言

C語言核心知識點總結：從基礎語法到進階技巧速查表

運算符優先級與關鍵行為 運算符說明陷阱 ++a / a++

UVA 1589 Xiangqi（象棋將軍/將死判定）問題詳解與模擬實現

UVA 1589 Xiangqi（象棋將軍/將死判定）問題詳

WPF/Silverlight 遊戲開發教程（二十八之三）：攻擊範圍判斷與分幀處理架構

步驟二：跑向敵人，進入攻擊範圍發起攻擊 private b

工作流程式設計循序漸進 (2-1)：IfElseActivity 核心概念與專案建立

IfElseActivity 核心機制與專案建立基礎 一、