关于C语言UTF-8字符串、gcc编译器及sizeof使用的技术问询

1. 字符串在内存中的编码由谁控制？ #

是的，最终由gcc编译器控制，它的行为取决于两个核心因素：

• 源文件的编码格式：Ubuntu环境下默认创建的文本文件是UTF-8编码，gcc会读取源文件的编码，将字符串常量转换为程序运行时内存中的编码。
• gcc的编码相关选项：你可以通过-finput-charset指定源文件编码，-fexec-charset指定程序运行时字符串的编码。如果不手动指定，gcc会使用系统默认编码（Ubuntu下为UTF-8），所以你的字符串在内存中会以UTF-8编码存储。

2. 用char字符串存储、读写UTF-8内容是否完全正确？ #

从你的程序逻辑来说，完全正确。原因如下：

• UTF-8是基于字节的编码，每个Unicode字符由1~4个字节组成，而C语言的char在绝大多数系统上就是1字节的存储单元，刚好能容纳UTF-8的单个字节。
• 你的程序只是做字节流的搬运：从标准输入读取字节，再写到标准输出，不涉及任何UTF-8字符的解析操作（比如拆分、统计字符数），所以用char数组作为缓冲区完全适配需求。
• 只要你的终端（或输入输出的文件）采用UTF-8编码，输入输出的内容就能正常显示。

3. 程序中sizeof的使用方式是否合规？ #

分两种情况分析：

• sizeof(utf8_arr)：语法上完全合规，因为utf8_arr是数组类型，sizeof会返回整个数组的字节数（包括字符串末尾的\0）。但逻辑上存在小瑕疵：用write输出时会把\0也写入，虽然终端通常不会显示这个空字节，但属于多余操作。如果只想输出字符串有效内容，应该用strlen(utf8_arr)获取不含\0的字节数。
• sizeof(utf8_buff)：这个用法既合规又合理。utf8_buff是1024字节的数组，sizeof返回1024，刚好作为read的缓冲区大小上限，能有效避免缓冲区溢出问题。

内容的提问来源于stack exchange，提问作者Kode1000