关于u8'A'与char类型、UTF-8编码及代码单元的技术问询

嘿，很高兴你已经理清了代码点和代码单元的核心区别，这可是Unicode编码领域里最容易踩坑的关键点之一！咱们来逐个解答你的问题：

编辑器是否均处理代码单元？ #

其实大部分现代编辑器是以代码点（也就是你直观看到的“字符”）为交互单位，但底层存储和读取时，还是会基于文件的编码格式来处理对应的代码单元。举个例子：当你在编辑器里输入“蓹”这个字符，编辑器会先识别这是一个Unicode代码点，然后根据当前文件的编码（比如UTF-8）把它转换成对应的3个代码单元（字节）保存到文件里。

不过也有例外：一些老旧的编辑器可能对多字节编码支持不佳，会把每个代码单元当成独立的单字节字符来显示，导致你看到乱码；但现在主流的编辑器（比如VS Code、Vim、Sublime Text等）都能正确映射代码点和编码的对应关系，让你在编辑时感知到的是完整的字符，而不是底层的代码单元。

若将文件编码从UTF-8改为UTF-32，字符“蓹”的size是否会变为4？ #

这里得先明确两个核心点：

• std::string的size()返回的是字节数（也就是UTF-8的代码单元数量，因为UTF-8的代码单元是1字节）；而std::u32string的size()返回的是UTF-32的代码单元数量（每个代码单元是4字节）。
• “蓹”的Unicode代码点是U+84F9，它的UTF-8编码需要3个字节（3个代码单元），UTF-32编码则是固定4个字节（1个代码单元）。

所以分两种情况看：

• 如果你用std::string读取UTF-32编码的“蓹”，那文件里存储的是4个字节，std::string::size()会返回4；
• 如果你用对应UTF-32的字符串类型std::u32string来读取，那std::u32string::size()会返回1（因为它统计的是代码单元数量，UTF-32下一个字符对应一个代码单元）。

简单来说：如果只看底层存储的字节数，UTF-32下“蓹”占4字节；但如果用适配UTF-32的字符串类型，它的size()是1而不是4。

内容的提问来源于stack exchange，提问作者Rick