Печать символов Unicode с помощью write(2) в c

Я работаю над небольшим фрагментом кода, который выводит символы на экран и должен поддерживать весь Unicode, содержащийся в wchar_t, и я ограничен только записью (2).

Это проблематичное сочетание требований. В частности, представление символов wchar_t может очень плохо сочетаться с использованием write() для вывода.

В целом, здесь есть несколько проблем, среди них:

1. Члены исходного и исполняемого наборов символов.
2. Как представить расширенные символы набора символов выполнения в вашем источнике (через набор символов источника).
3. Как представить расширенные символы набора символов выполнения на выбранное вами устройство вывода, чтобы это устройство обрабатывало их по желанию.

Обратите внимание, что этот C указывает только довольно небольшой набор символов, которые должны присутствовать в наборе символов выполнения. В нем могут присутствовать дополнительные, «расширенные» символы, и ваши эмодзи попадут в эту категорию. Работа с расширенными символами через стандартные интерфейсы C немного мягка, поскольку стандарт предоставляет реализациям большую свободу в том, как они там работают.

Так что \U кажется правильным.

\U вводит «универсальное имя персонажа». Важно понимать, что во время компиляции эти последовательности преобразуются в элементы набора символов выполнения.

Однако я не могу преобразовать wchar_t в правильную escape-последовательность, т.е. преобразовать wchar_t c = L'????'; в \U0001f921

Небезопасно предполагать, что «????» может быть представлен непосредственно в исходном наборе символов, чтобы использовать его буквально в исходном коде. Это зависит от вашей реализации C. Универсальное имя персонажа безопаснее. Кроме того, если вам нужна константа широкого символа, вы можете попробовать L'\U0001f921', но есть большая вероятность, что wchar_t не может представлять этот символ. В частности, многие реализации имеют 16-битный wchar_t, и вряд ли они смогут поддерживать вашего персонажа как (одиночного) wchar_t.

Возможно, вам больше повезет с широким строковым литералом: L"\U0001f921", но это полезно для вас, прежде всего, если вы работаете с функциями, специфичными для широких символов, которые будут выполнять соответствующие преобразования кодирования для вас. write() не будет выполнять такие преобразования, поэтому получение желаемого результата будет зависеть от конфигурации вашей среды выполнения. Я считаю, что ваш первоначальный подход с обычным строковым литералом с большей вероятностью сработает.

Если вы хотите, и если вы можете использовать функции C2011, вы также можете выразить (обычный) строковый литерал, который определен для кодирования в UTF-8, независимо от фактического набора символов выполнения. Форма для этого будет u8"\U0001f921". Опять же, получение желаемого результата таким образом зависит от вашей среды. Литералы UTF-8 лучше подходят для взаимодействия с интерфейсами, которые специально определены для использования UTF-8.

Могу ли я даже сделать это в C?

Небезопасно предполагать, что ваш эмодзи может быть представлен одним объектом типа wchar_t. Могут быть реализации C, которые его поддерживают, но я думаю, что они необычны.

Последнее замечание: этот код...

write(1, "\U0001f921", 6);

... почти наверняка демонстрирует неопределенное поведение в результате выхода за пределы массива char, который вы представляете write(). Я не вижу правдоподобного сценария, в котором он длиннее 5 символов, но вы пишете 6, превышая по крайней мере 1. Если внутреннее представление UTF-8, тогда этот массив будет иметь длину 4 - три байта, кодирующие символ и один для конца строки.

Вы должны измерить длину, чтобы узнать, сколько байтов нужно записать, например:

const char *emoji = "\U0001f921";
write(1, emoji, strlen(emoji));