C++ 获取 u8 字符串文字值表示的可移植方法

Question

让我们考虑一下:

char const str[] = u8"ñ";
auto const* u8_code_units = reinterpret_cast<unsigned char*>(str); 
// using u8_code_units elements

这是否完全可移植且符合 C++ 标准？或者有一些条款说它是未定义的行为或取决于任何未指定的值？我知道 unsigned char和 char应具有相同的对齐要求和 reinterpret_cast<T*>(v)在这种情况下等于 static_cast<T*>(static_cast<void*>(v)) ，所以，我认为使用它是完全安全和便携的，但我不确定。

Answer 1

Is that fully portable and C++ standard compliant?

有点，但不是你想的那样。

看，您必须将该文件以某种格式实际保存到磁盘。这意味着您的编译器必须能够读取相同的格式。编译器支持的文本格式是实现定义的。

但是，如果您的编译器支持您保存它的格式，并且该格式可以保存 Unicode 编码的字符，那么您的编译器将在这里做正确的事情。

即使是 reinterpret_cast 也没问题，因为编译器要求 char 数组可以通过 unsigned char 数组访问，即使平台的 char 已签名。该标准明确要求，当通过 unsigned char 读取 UTF-8 格式的 char 数组时，您将获得您期望从 UTF-8 格式获得的位。

但是请注意:

I know that unsigned char and char shall have the same alignment requirements and reinterpret_cast(v) equals in that case to static_cast(static_cast(v)),

那不足以保护你。它起作用是因为标准明确说它在这种特殊情况下起作用，而不是因为对齐要求等。 char 和 unsigned char 有异常(exception)的别名规则允许这样做；对齐与它无关。