C++20 u8字符串字面量八进制转义序列的编译器合规性问询

标准规定的核心逻辑 #

根据C++标准，u8前缀的字符串字面量元素类型为char8_t，对于其中的数值转义序列（八进制\ooo、十六进制\xXX），规则是：

若转义的值v未超出char8_t的可表示范围（0~255，因为char8_t是无符号8位类型），则该转义序列直接贡献一个值为v的单个char8_t代码单元。

这意味着数值转义序列是直接作为UTF-8的单个字节使用，而非将v视为Unicode码点再进行UTF-8编码——后者是\uXXXX/\UXXXXXXXX转义序列的专属行为。

测试案例的行为分析 #

• 正确行为（GCC 13.2、Clang 17.0.1）：
  u8"\344\270\255"中的三个八进制转义分别对应十进制196（0xE4）、184（0xB8）、173（0xAD），这三个字节恰好是中文字符“中”（Unicode码点U+4E2D）的UTF-8编码。编译器直接将这三个值作为char8_t单元输出，因此结果与u8"\u4e2d"一致（e4 b8 ad），完全符合标准。

• 错误行为（MSVC）：
  MSVC错误地将每个数值转义的值当作Unicode码点，再对该码点进行UTF-8编码：

  • \344对应U+00E4（字符ä），UTF-8编码为c3 a4；
  • \270对应U+00B8（字符¸），UTF-8编码为c2 b8；
  • \255对应U+00AD（软连字符），UTF-8编码为c2 ad；
    最终输出c3 a4 c2 b8 c2 ad，完全违背了标准中数值转义序列的处理规则。

对文档误解的澄清 #

你之前对cppreference文档的理解有误：文档中“贡献一个值为v的单个代码单元”指的是直接将v作为UTF-8的一个字节（即char8_t单元），而非将v视为Unicode码点再编码。\u/\U转义才是用来表示Unicode码点并转换为UTF-8序列的，数值转义序列的语义完全不同。

内容的提问来源于stack exchange，提问作者Scheff's Cat