在C语言中不使用C11 <uchar.h>头文件，如何获取char*指向的多字节字符的Unicode值？

让我一步步帮你理清这个问题，从内存存储到正确解码的方法：

为什么直接强转int*得不到正确结果？ #

字符串"Ā"在你的系统中是以UTF-8编码存储的，它只占用2个字节，但int通常是4字节（32位系统）。当你把char*强转为int*后，*a_value会读取从a开始的4个字节——其中后2个字节是字符串末尾的空字符或者其他随机内存数据，所以得到的结果肯定不是你想要的Unicode值256。

理解gdb的输出含义 #

gdb显示的loc a = 0x555555556004 "Ā": -60 '\304'可以拆成三部分：

• 0x555555556004是字符串"Ā"在内存中的起始地址；
• -60是第一个字节作为有符号char的值：UTF-8中Ā的编码是十六进制0xC4 0x80，0xC4对应的十进制是196，而有符号char的范围是-128~127，196减去256就得到-60；
• '\304'是该字节的八进制转义表示，0xC4转成八进制就是304，这是C语言中表示非ASCII字符的一种方式。

为什么a[0]和a[1]输出-60和-128？ #

同样是因为你的系统中char是有符号类型：

• 第一个字节0xC4（196）超出有符号char的最大值127，被解释为负数：196 - 256 = -60；
• 第二个字节0x80（128）同样超出范围，计算得128 - 256 = -128。

正确获取Unicode值的方法 #

要从UTF-8的2字节序列解码出Unicode码点，需要遵循UTF-8的编码规则：2字节的UTF-8格式是110xxxxx 10xxxxxx，其中xxxxx和xxxxxx拼接起来就是Unicode码点的二进制位。具体步骤如下：

1. 把有符号的char转成unsigned char，避免符号扩展干扰位运算；
2. 提取每个字节的有效位并拼接。

示例代码：

#include <stdio.h>

int main() {
    char *a = "Ā";
    // 转换为无符号字节，确保原始字节值正确
    unsigned char byte1 = (unsigned char)a[0];
    unsigned char byte2 = (unsigned char)a[1];
    
    // 按UTF-8规则解码：提取有效位并拼接
    int unicode_value = ((byte1 & 0x1F) << 6) | (byte2 & 0x3F);
    
    printf("Unicode值：%d\n", unicode_value); // 输出256
    return 0;
}

代码解释：

• byte1 & 0x1F：0x1F是二进制00011111，用来提取第一个字节的后5位（对应UTF-8格式中的xxxxx）；
• << 6：把这5位左移6位，给第二个字节的6位腾出位置；
• byte2 & 0x3F：0x3F是二进制00111111，提取第二个字节的后6位（对应xxxxxx）；
• |：将两部分拼接成完整的Unicode码点。

内容的提问来源于stack exchange，提问作者mikeProgrammer