Русские и английские символы через printf() в Си

[KreshDiz]

Есть массив латинских и кириллических букв. Нужно вывести массив корректно printf'ом или другой стандартной функцией языка. Как это сделать чтобы не получить крокозябры?

Код: [Выделить]

#include<stdio.h>
void main(int argc, char argv[])
{
    char str[]={"Привет"};
    int i;
    //Так печатает полслова
    for(i=0; i<6; i++)
    printf("%c", str[i]);
    printf("\n");
    //Так печатает целое слово
    for(i=0; i<12; i++)
    printf("%c", str[i]);
    printf("\n");
    //Так печатает нормально
    for(i=0; i<12; i+=2)
    printf("1%c%c", str[i],str[i+1]);
    printf("\n");
    //Так печатает крокозябры
    for(i=0; i<12; i++)
    printf("1%c", str[i]);

   
}



[shura1]

Короткий ответ - в С можно узнать длину массива и использовать его в качестве границы для индексной переменной -

Код: [Выделить]

for(i=0; i<sizeof(str); i++)
Длинный ответ заключает в себя знакомство с кодировками, с Юникоде и с UTF-8. Вот здесь перевод классической статьи.

[alsoijw]

KreshDiz, кодировка файла, кодировка терминала, ось...
ЗЫ если хочешь печатать посимвольно, то печатай пока str

[KreshDiz]

Пишу пишу тему новую, нажимаю отправить, оказывается я случайно отправил её 15 минут назад, сейчас вопрос звучит чуть чуть иначе.

(Нажмите, чтобы показать/скрыть)

Есть массив латинских и кириллических букв. Нужно вывести массив корректно printf'ом. Как это сделать чтобы не получить крокозябры?

Задача состоит в обработке каждого символа в отдельности. Функцию печати привёл для примера.

Код: [Выделить]

#include<stdio.h>
void main(int argc, char argv[])
{
    char str2[]={"qwertя"};// Непонятно как это вывести не зная сколько
    //байт занимает каждый символ. Печатает крокозябры;
    int i;
    for(i=0; i<12; i++)
    printf("1%c", str2[i]);
    printf("\n");

    char str[]={"Привет"};

    //Так печатает полслова
    for(i=0; i<6; i++)
    printf("%c", str[i]);
    printf("\n");
    //Так печатает целое слово
    for(i=0; i<12; i++)
    printf("%c", str[i]);
    printf("\n");
    //Так печатает нормально
    for(i=0; i<12; i+=2)
    printf("1%c%c", str[i],str[i+1]);
    printf("\n");
    //Так печатает крокозябры
    for(i=0; i<12; i++)
    printf("1%c", str[i]);
    printf("\n");
}


Вывести корректно узнав размер массива не составляет проблем. Но как корректно вывести(обработать) итый символ массива?
Linux Mint
Code::Blocks 13.12
GNU GCC Compiler

[shura1]

Если вперемешку латинские и русские символы, то в С используя библиотеку по работе с Юникоде. Для Линукса это означает - UTF-8. Их много на самом деле. Если с прицелом на gnome и gtk, то glib. Хотя для простейших случаев, можно и обычными средствами С (используя wchar_t). Если проблема еще будет, то завтра посмотрю повнимательней.

[KreshDiz]

Можете пример дать? не совсем понятно.

Код: [Выделить]

char str2[]={"wwwяяwяяяя"};
Как мне прочитать 4й элемент массива (буква я), не зная её размерности и размерности предыдущих символов?
Пользователь решил продолжить мысль 08 Декабря 2015, 18:20:32:Компилятор не знает тип wchar_t.

[shura1]

Код: (c) [Выделить]

/* prog.c */
#include <wchar.h>
#include <stdio.h>
#include <locale.h>

wchar_t *s = L"hello, мир";

int main() {
    setlocale(LC_ALL, "ru_RU.UTF-8");
    wprintf(L"%ls\n", s);
    return 0;
}
Компиляция

Код: [Выделить]

gcc -Wall  -std=c99 prog.c
Запуск

Код: [Выделить]

./a.out
hello, мир
Пользователь решил продолжить мысль [time]08 Декабрь 2015, 20:43:05[/time]:Это *простейший* случай. Для последовательной обработки посимвольно (я так понимаю из чисто познавательно-экспериментательных целей) - это все усложняться будет многократно. Правильное решение - пользоваться библиотеками (ну и да, поштудировать статью и википедию об Unicode и UTF-8). Экспериментировать лучше на яп более высокого уровня, чем С. Питон, Javascript не самые лучшие варианты, поскольку каждый имеет свою (единственно правильную) модель работы с Юникоде (Javascript, Java и С# схожи). Идеальные варианты (для работы с кодировками) - Ruby и Perl.

Чтоб понять сложность заданного вопроса рекомендую взглянуть (только взглянуть, не читать) на вот этот вопрос и *ответ* на stackoverflow

[alsoijw]

В vala(транслируется в c) сделано имхо достаточно удобно. unichar символ юникода. К примеру русская буква. Если перебирать строки по байтам, есть функция valid_char. Она проверяет является ли текущий байт символом. Метод length возвращает длину строки. Если нужно конкретно на c, то либо искать написанные функции либо писать свои. В википедии про одни символ говорится.

В общем случае варианты представления одного символа в кодировке UTF-8 выглядят так:

(1 байт)  0aaa aaaa
(2 байта) 110x xxxx 10xx xxxx
(3 байта) 1110 xxxx 10xx xxxx 10xx xxxx
(4 байта) 1111 0xxx 10xx xxxx 10xx xxxx 10xx xxxx
(5 байт)  1111 10xx 10xx xxxx 10xx xxxx 10xx xxxx 10xx xxxx
(6 байт)  1111 110x 10xx xxxx 10xx xxxx 10xx xxxx 10xx xxxx 10xx xxxx

[shura1]

Кстати да. vala - это обертка над библиотекой glib, которую я сразу рекомендовал. Насколько я понимаю (я сам vala не использовал) - синтаксис C#, а семантика С. То есть все должно быть достаточно открыто, было бы желание разобраться. Библиотека glib лежит в основе библиотеки gtk+, которая лежит в основе библиотек gnome и сinammon. Очень многофункциональная библиотека, в том числе реализующая работу со строками UTF-8.

UTF-8 - это одна из возможных реализаций стандарта Юникоде. Дефакто стандартная кодировка для Linux, MacOS, BSD. Стандартная для языка программирования go. Но перед тем, как начать разбираться с UTF-8, надо иметь понятие, хотя бы поверхностное, о кодировках вообще и кодировке Юникоде.

[KreshDiz]

shura1, то что надо. Спасибо большое.
Направление понял и отыскал то что мне конкретно надо fwscanf(file, L"%lc", &sym)

[shura1]

На самом деле я даже сам не понимаю, как работает программа, которую я привел в качестве примера 

Конкретно для меня не понятно, как вызов функции setlocale в теле функции main дает знать компилятору, что строковые константы L"..."  набраны в тексте программы в кодировке UTF-8. Самая, что ни на есть, черная магия (для меня, по крайней мере ).