如何静态推断C++程序中字符串的原生文本编码？

1. std::string = "some text"的编码是什么？ #

std::string本质只是字节序列的容器，不自带编码属性——你写的字符串字面量最终的编码，取决于编译器如何解析源文件中的字面量，并将其转换为程序中的字节序列。它可能是ASCII、UTF-8、GBK、CP1252（扩展ASCII的一种）或其他编码，没有固定默认值。

2. 编码的决定因素 #

编码的选择由以下核心因素决定，和硬件无关：

• 源文件编码：编译器首先会按设定的编码读取源文件中的字符串字面量。如果源文件是UTF-8，但编译器按ASCII解析，非ASCII字符会被转成乱码字节。
• 编译器默认行为：不同编译器的编码处理逻辑不同。比如Linux下的GCC默认用UTF-8处理源文件和生成字符串；Windows下的MSVC默认采用系统本地编码（如GBK、CP1252）。
• 编译选项：可以通过编译参数强制指定编码规则，覆盖编译器默认行为。比如GCC的-finput-charset=<编码>指定源文件编码，-fexec-charset=<编码>指定程序中字符串的最终编码。

3. 如何检测字符串的实际编码？ #

• 编译时检查：查看编译器的编码相关选项。比如GCC执行g++ -v时，会输出-finput-charset和-fexec-charset的当前配置值。
• 运行时验证：遍历std::string的每个char，打印其十六进制值，和目标编码的字节对照表对比。例如UTF-8中汉字"中"的字节是0xE4 0xB8 0xAD，如果输出匹配则说明是UTF-8编码。
• 编译器宏判断：部分编译器提供宏定义标识编码，比如GCC中如果定义了__STDC_UTF_8__，说明默认的执行字符集是UTF-8。

4. 源文件为UTF-8时，GCC是否始终生成UTF-8编码的字符串？ #

不能完全依赖默认行为。现代GCC在Linux/macOS环境下默认会将UTF-8源文件的字符串字面量转换为UTF-8存入程序，但在Windows环境（如MinGW）下，默认的执行字符集可能是CP1252或系统本地编码。

如果要确保GCC始终输出UTF-8编码的字符串，需要显式指定编译选项：

g++ -finput-charset=utf-8 -fexec-charset=utf-8 your_code.cpp

这两个选项分别强制编译器按UTF-8读取源文件，并将字符串字面量以UTF-8编码写入程序，不受操作系统默认设置影响。

内容的提问来源于stack exchange，提问作者alrav