我现在正在Linux上学习C语言，遇到了一个奇怪的情况。
据我所知，标准C的char数据类型是ASCII，1字节（8位）。这应该意味着，它只能容纳ASCII字符。
在我的程序中，我使用char input[]，它由getchar函数填充，如下伪代码：
char input[20];
int z, i;
for(i = 0; i < 20; i++)
{
z = getchar();
input[i] = z;
}
奇怪的是，它不仅适用于ASCII字符，也适用于我想象中的任何字符，比如输入上的@&@{čřžŧ¶'`[łĐŧđж←^€~[←^ø{&}čž。
我的问题是——这怎么可能？这似乎是C语言中许多美丽的例外之一，但我真的很感激你的解释。这是操作系统、编译器、隐藏语言的额外超级功能的问题吗？
谢谢。
这里没有魔法-C语言可以访问存储在计算机内存中的原始字节。如果您的终端使用utf-8（这很可能），那么非ASCII字符占用内存中的多个字节。当您再次显示时，是我们的终端代码，它将这些序列转换为单个显示的字符。
只需更改代码以打印字符串的strlen，您就会明白我的意思。
为了正确处理C中的utf-8非ASCII字符，您必须使用一些库来处理它们，如glib、qt或许多其他库。
ASCII是一个7位字符集。在C中，通常用8位字符表示。如果设置了8位字节中的最高位，则不是ASCII字符。
还请注意，不能保证ASCII作为基础，因此许多情况会忽略其他情况。如果你想检查"基元"字节是否是阿尔法字符，换句话说，当注意所有系统时，你可以不检查，比如：
is_alpha = (c > 0x40 && c < 0x5b) || (c > 0x60 && c < 0x7b);
相反，您必须使用ctype.h并说：
isalpha(c);
唯一的例外，AFAIK，是数字，至少在大多数表上，它们有连续的值。
因此，这是有效的；
char ninec = '9';
char eightc = '8';
int nine = ninec - '0';
int eight = eightc - '0';
printf("%dn", nine);
printf("%dn", eight);
但这并不能保证是"a"：
alhpa_a = 0x61;
不基于ASCII的系统，即使用EBCDIC；C在这样的平台上仍然运行良好，但在这里它们（主要）使用8位而不是7，即A可以被编码为十进制193，而不是像在ASCII中那样的65。
然而，对于ASCII；十进制128-255的字节（使用8位）是扩展的，而不是ASCII集的一部分。即ISO-8859使用这个范围。
经常做的事；也是将两个或多个字节组合为一个字符。因此，如果您在定义为utf8 0xc3 0x98==Å的两个字节之后打印，那么您将得到这个字符。
这同样取决于您所处的环境。在许多系统/环境中，打印ASCII值会在字符集、系统等之间产生相同的结果。但打印字节数>127或双字节字符会根据本地配置产生不同的结果。
即：
Mr。运行程序得到
Jasŋ€
而B先生得到
Jasπß
这可能与扩展字符的单字节表示的ISO-8859系列和Windows-1252等特别相关。
- ASCII_printable_characters，注意它们是7位而不是8位
- ISO_8859-1和ISO_8859-15，广泛使用的集合，以ASCII为核心
- Windows-1252，Windows的遗留版本
- UTF-8#Codepage_layout，在UTF-8中，你有ASCII，然后你有特殊的byes序列。
- 每个序列以字节>127开始（这是最后一个ASCII字节）
- 接着是全部以比特CCD_ 11开始的给定数量的字节
- 换句话说，在多字节UTF-8表示中永远找不到ASCII字节
也就是说；UTF-8中的第一个字节，如果不是ASCII，则告诉该字符有多少字节。您也可以说ASCII字符表示后面不再有字节，因为最高的位是0。
I.e如果文件被解释为UTF-8：
fgetc(c);
if c < 128, 0x80, then ASCII
if c == 194, 0xC2, then one more byte follow, interpret to symbol
if c == 226, 0xE2, then two more byte follows, interpret to symbol
...
举个例子。如果我们看看你提到的其中一个角色。如果在UTF-8终端中：
$echo-n"č"|xxd
应收益率：
0000000:c48d。。
换句话说，"č"由两个字节0xc4和0x8d表示。在xxd命令中添加-b，我们就得到了字节的二进制表示。我们对它们进行如下剖析：
___ byte 1 ___ ___ byte 2 ___
| | | |
0xc4 : 1100 0100 0x8d : 1000 1101
| |
| +-- all "follow" bytes starts with 10, rest: 00 1101
|
+ 11 -> 2 bits set = two byte symbol, the "bits set" sequence
end with 0. (here 3 bits are used 110) : rest 0 0100
Rest bits combined: xxx0 0100 xx00 1101 => 00100001101
____/ _____/
| |
| +--- From last byte
+------------ From first byte
这给了我们：001000011012=26910=0x10D=>未编码代码点U+010D=="č"。
这个数字也可以在HTML中用作č==č；
这一点和许多其他代码系统的共同点是，8位字节是基础。
通常，这也是一个关于上下文的问题。以GSM SMS为例，ETSI GSM 03.38/03.40（3GPP TS 23.038，3GPP 23038）。在那里，我们还发现了一个7位字符表，7位GSM默认字母表，但它们不是存储为8位，而是存储为7位1。通过这种方式，您可以将更多的字符打包到给定数量的字节中。Ie标准SMS 160字符变为1280位或160字节的ASCII和1120或140字节的SMS。
1并非无一例外，（更多的是故事）
例如，以SMS UDP格式保存为分隔符（7bit）C8329BFD06的字节到ASCII的一个简单示例：
_________
7 bit UDP represented | +--- Alphas has same bits as ASCII
as 8 bit hex '0.......'
C8329BFDBEBEE56C32 1100100 d * Prev last 6 bits + pp 1
| | | | | | | | +- 00 110010 -> 1101100 l * Prev last 7 bits
| | | | | | | +--- 0 1101100 -> 1110010 r * Prev 7 + 0 bits
| | | | | | +----- 1110010 1 -> 1101111 o * Last 1 + prev 6
| | | | | +------- 101111 10 -> 1010111 W * Last 2 + prev 5
| | | | +--------- 10111 110 -> 1101111 o * Last 3 + prev 4
| | | +----------- 1111 1101 -> 1101100 l * Last 4 + prev 3
| | +------------- 100 11011 -> 1101100 l * Last 5 + prev 2
| +--------------- 00 110010 -> 1100101 e * Last 6 + prev 1
+----------------- 1 1001000 -> 1001000 H * Last 7 bits
'------'
|
+----- GSM Table as binary
9个字节"unpacked"变为10个字符。
ASCII是7位，而不是8位。char []包含字节，可以是任何编码——iso8859-1、utf-8，无论您想要什么。C不在乎。
这就是UTF-8的神奇之处，您甚至不必担心它是如何工作的。唯一的问题是，C数据类型被命名为char（用于字符），而它的实际含义是字节。字符和编码它们的字节之间没有1:1的对应关系。
代码中发生的情况是，从程序的角度来看，您输入一个字节的序列，它将字节存储在内存中，如果您打印文本，它将打印字节。这段代码并不关心这些字节是如何编码字符的，只是终端需要担心在输入时对它们进行编码，并在输出时正确解释它们。
当然有很多库可以完成这项工作，但要快速解码任何UTF8 unicode，这个小函数很方便：
typedef unsigned char utf8_t;
#define isunicode(c) (((c)&0xc0)==0xc0)
int utf8_decode(const char *str,int *i) {
const utf8_t *s = (const utf8_t *)str; // Use unsigned chars
int u = *s,l = 1;
if(isunicode(u)) {
int a = (u&0x20)? ((u&0x10)? ((u&0x08)? ((u&0x04)? 6 : 5) : 4) : 3) : 2;
if(a<6 || !(u&0x02)) {
int b,p = 0;
u = ((u<<(a+1))&0xff)>>(a+1);
for(b=1; b<a; ++b)
u = (u<<6)|(s[l++]&0x3f);
}
}
if(i) *i += l;
return u;
}
考虑您的代码；您可以迭代字符串并读取unicode值：
int l;
for(i=0; i<20 && input[i]!=' '; ) {
if(!isunicode(input[i])) i++;
else {
l = 0;
z = utf8_decode(&input[i],&l);
printf("Unicode value at %d is U+%04X and it's %d bytes.n",i,z,l);
i += l;
}
}
非ASCII字符有一个数据类型wint_t（#include <wchar.h>）。您可以使用方法getwchar()来读取它们。