引言

毋庸置疑，在使用 C 字符串時(shí)必須小心，否則你就會(huì)因?yàn)楦鞣N的未定義行為而感到頭疼。

最近，我一直在學(xué)習(xí) C 語言，也因此領(lǐng)教了低級(jí)編程所涉及的復(fù)雜性。作為一名數(shù)據(jù)科學(xué)家或者是 Python 程序員，我一直在與字符串打交道。有人說，C 語言中的字符串處理非常糟糕。我很好奇，所以想一探究竟。

C 語言字符串

C 語言的字符串是以空終止符 \0 結(jié)尾的字符數(shù)組。在 C 語言操作字符串時(shí)，空終止符會(huì)告訴函數(shù)已到達(dá)字符串的末尾。在 C 中，我們可以通過兩種不同的方式聲明一個(gè)字符串。

第一種也是最困難的方法是定義字符數(shù)組。

#include <stdio.h>
int main() {
char myString[] = {'H', 'e', 'l', 'l', 'o', ',', ' ', 'W', 'o', 'r', 'l', 'd','!','\n','\0'};
printf("%s", myString);
return 0;
}

這種方式易出錯(cuò)，且需要手動(dòng)插入空終止符。如果單詞很長，鍵入的時(shí)間也會(huì)很長。

第二種方式是用雙引號(hào)括起來的字符串。

#include <stdio.h>
int main() {
char myString[] = "Hello, World!\n";
printf("%s", myString);
return 0;
}

在這種情況下，C 知道字符串的長度，就可以自動(dòng)插入空終止符。

字符串操作
正確創(chuàng)建字符串之后，你就可以執(zhí)行許多操作了。常用的字符串操作函數(shù)包括 strcpy、strlen 和 strcmp。

●strcpy：將存儲(chǔ)在一個(gè)變量中的字符串復(fù)制到另一個(gè)變量中。

●strlen：獲取字符串的長度（不包括空終止符）。

●strcmp：用于比較兩個(gè)字符串并根據(jù)比較結(jié)果返回整數(shù)?；拘问綖?strcmp(str1,str2)，若 str1=str2，則返回零；若 str1<str2，則返回負(fù)數(shù)；若 str1>str2，則返回正數(shù)。

然而壞消息是，每個(gè)字符串函數(shù)的使用都有細(xì)微的差別。首先，我們來看一個(gè) strcpy 的示例。

int main() {
char source[] = "Hello, world!";
char destination[20];
strcpy(destination, source); // Copy the source string to the destination string
printf("Source: %s\n", source);
printf("Destination: %s\n", destination);
return 0;
}

輸出結(jié)果如下：

Source: Hello, world!
Destination: Hello, world!

如你所料，strcpy 的作用就是復(fù)制一個(gè)字符串并將其內(nèi)容放入另一個(gè)字符串中。但你可能會(huì)問：“為什么我不能直接將源變量分配給目標(biāo)變量？”

int main() {
char source[] = "Hello, world!";
char* destination = source;
strcpy(destination, source); // Copy the source string to the destination string
printf("Source: %s\n", source);
printf("Destination: %s\n", destination);
return 0;
}

事實(shí)上，這樣也未嘗不可。只不過現(xiàn)在 destination 變成了 char*，而且是作為指向源字符數(shù)組的指針存在。

下一個(gè)字符串操作是 strlen，它的作用是獲取字符串的大小，但不包括空終止符。

#include <stdio.h>
#include <string.h>
int main() {
char str[] = "Hello, world!"; // The string to find the length of
int length = strlen(str); // Find the length of the string
printf("The length of the string '%s' is %d.\n", str, length);
return 0;
}

輸出結(jié)果如下：

The length of the string 'Hello, world!' is 13.

這個(gè)函數(shù)很簡單，就是統(tǒng)計(jì)字符數(shù)量，直到遇到空終止符。

我們的最后一個(gè)函數(shù)是 strcmp，它的作用是比較兩個(gè)字符串，看看它們是否相等。如果相等，則返回 0；若 str1<str2，則返回負(fù)數(shù)；若 str1>str2，則返回正數(shù)。

#include <stdio.h>
#include <string.h>
int main() {
char str1[] = "Hello, world!";
char str2[] = "hello, world!";
int result = strcmp(str1, str2); // Compare the two strings
if (result == 0) {
printf("The strings are equal.\n");
} else {
printf("The %s is not equal to %s\n", str1, str2);
}
return 0;
}

輸出結(jié)果如下：

The strings are not equal

我們了解了如何復(fù)制字符串、獲取字符串的長度，以及如何比較字符串，下面我們來看一些難點(diǎn)。

上述這些函數(shù)沒有一個(gè)是安全的操作，而且很容易產(chǎn)生未定義的行為。根源在于使用 \0 作為空終止符。對(duì)于上述 C 函數(shù)以及其他函數(shù)，C 希望找到一個(gè) \0，然后告訴函數(shù)停止讀取字符串所在的內(nèi)存區(qū)域。但是如果沒有空終止符呢？在字符串應(yīng)該結(jié)束后，C 會(huì)繼續(xù)讀取內(nèi)存中的內(nèi)容。如果我們的程序函數(shù)需要驗(yàn)證用戶提供的密碼，那么不法分子可能會(huì)利用字符串的緩沖區(qū)溢出，跳過檢查密碼的內(nèi)存區(qū)域，直接調(diào)用獲取密碼的函數(shù)。這樣就可以避開授權(quán)。 

那么，我們應(yīng)當(dāng)如何處理呢？

保證 C 代碼的安全性

四處搜尋，你可能會(huì)發(fā)現(xiàn)一個(gè)名為 strncpy 的函數(shù)。查看定義，你會(huì)發(fā)現(xiàn)這個(gè)函數(shù)可以將源字符串復(fù)制到目標(biāo)字符串中，并允許指定復(fù)制的字節(jié)數(shù)。你可能會(huì)說：“這個(gè)函數(shù)看起來很完美！”我可以確保目標(biāo)字符串只接收它可以處理的字節(jié)數(shù)。下面的代碼展示了這個(gè)函數(shù)的用法及其輸出。

#include <stdio.h>
#include <string.h>
#define dest_size 12
int main(){
char source[] = "Hello, World!";
char dest[dest_size];
// Copy at most 12 characters from source to dest
strncpy(dest, source, dest_size);
printf("Source string: %s\n", source);
printf("Destination string: %s\n", dest);
return 0;
}
Source string: Hello, World!
Destination string: Hello, World

初看之下還不錯(cuò)，但還是有問題。如果源字符串的長度減去空終止符的長度后正好等于目標(biāo)字符串的長度，結(jié)果會(huì)怎樣？

答案是目標(biāo)字符串會(huì)被源字符串的所有字符填滿，沒有空間留給空終止符。一個(gè)沒有非 null 終止的字符串勢必會(huì)引發(fā)各種令你頭疼的問題。你可能會(huì)說，但至少它可以處理源字符串小于目標(biāo)字符串的情況。是嗎？沒錯(cuò)，它確實(shí)可以處理這種情況，但 strcpy 也可以。如果源字符串的長度小于目標(biāo)字符串，那么目標(biāo)字符串中所有未使用的額外空間仍將保留，而且會(huì)被填充。因此，假設(shè)目標(biāo)字符串的長度為 20 個(gè)字符，但源字符串只有 13 個(gè)字符，那么實(shí)際上你得到的是一個(gè)像下面這樣的目標(biāo)字符串。

char destination[20] = {'H', 'e', 'l', 'l', 'o', ',', ' ', 'W', 'o', 'r', 'l', 'd', '!', '\0', '\0', '\0', '\0', '\0', '\0', '\0'};

這個(gè)字符串沒有正確的空終止，而且還有一大堆填充字符。情況不太妙。如果你碰巧在 Windows 上使用 strncpy 函數(shù)，那么 Microsoft Visual C++ 甚至都編譯不過去。你必須手動(dòng)設(shè)置一個(gè)標(biāo)志，允許使用已棄用的功能，當(dāng)然我們不應(yīng)該使用已棄用的功能。

編譯器建議改用 strncpy_s。我們來看看，strncpy_s 接受這些參數(shù)：

●char *restrict dest：目標(biāo)字符串。

●rsize_t destsz：目標(biāo)字符串的大小。

●const char *restrict src：要復(fù)制的源字符串。

●rsize_t count：從源字符串復(fù)制的最大字節(jié)數(shù)。

如果目標(biāo)字符串的長度大于源字符串，那么復(fù)制可以順利進(jìn)行。但如果目標(biāo)字符串的長度小于源字符串，則只復(fù)制目標(biāo) -1 的大小。strncpy_s 進(jìn)行的額外檢查是確保將源字符串復(fù)制到目標(biāo)字符串中，并且生成的字符串始終以 null 結(jié)尾。這很好，但是我們又遇到了兩個(gè)問題。

●strncpy_s 不會(huì)處理額外的填充字符。

●strncpy_s 不可移植到 macOS 或 Linux。

看到這里，你是不是拳頭都硬了，想問一問已經(jīng)過去 34 年了，為什么 C 標(biāo)準(zhǔn)委員會(huì)還是沒能沒有提供可移植且更安全的字符串操作？

那么，我們應(yīng)該如何安全地應(yīng)對(duì)這種情況呢？我想到了幾種方法。

1.如果已知字符串的長度，就像我們?nèi)藶樵O(shè)計(jì)的示例一樣，那么只需將目標(biāo)字符串初始化為 sizeof() 源字符串。

2.你可以直接使用指向源字符串的指針，并完全放棄復(fù)制。只要源字符串有正確的終止符，你就不會(huì)遇到緩沖區(qū)大小不匹配的情況。

3.你可以放棄可移植性，在 Windows 上使用 _s 版本的字符串函數(shù)，或在 macOS 上使用“ l ”版本。

4.你可以選用其他語言。

至此，你可能已經(jīng)注意到我花了很多時(shí)間談?wù)?strcpy，而 strcmp 和 strlen 只是一筆帶過。實(shí)際上，這兩個(gè)函數(shù)也會(huì)遇到由于 C 的字符串終止方式引發(fā)的相同問題。由于字符串的長度在遇到空終止符之前是未知的，所以你會(huì)遇到各種未定義的行為和攻擊向量。這與 C++ 形成了鮮明的對(duì)比，C++ 將字符串視為對(duì)象，并將字符串的長度和字符數(shù)保存到了一起。這就是人們傾向于用 C++ 編寫 C 的原因之一。

為了在純 C 中正確處理這些問題，你需要認(rèn)真檢查字符串的操作。這些操作很容易出錯(cuò)，而且隨著程序規(guī)模增加，難度也會(huì)上升。這就是我們認(rèn)為 C 不安全的原因之一。

非拉丁語言的處理

Unicode 是計(jì)算機(jī)文本編碼的重要環(huán)節(jié)。如今文本使用最廣泛的編碼是 UTF-8。C 語言直到版本 C99 才獲得了 Unicode 支持，而且即使你在 C 語言中正確處理 Unicode，也會(huì)遇到其他方面的問題。假設(shè)我們需要輸出一些日文字符：

#include <stdio.h>
#include <string.h>
int main() {
printf("有り難う\n");
return 0;
}

輸出就會(huì)出問題：

這是因?yàn)槲覀儧]有按照 Unicode 解釋字符。下面我們來重寫上述代碼：

#include <stdio.h>
#include <wchar.h>
#include <locale.h>
int main() {
setlocale(LC_ALL, ""); // Set the locale to the user's default locale
wchar_t thankyou[] = L"有り難う";
wprintf(L"Thank You in Japanese is: %ls\n", thankyou);
return 0;
}

我添加了一個(gè)字符串：“Thank You in Japanese is”，仔細(xì)觀察下面的屏幕截圖，你就能明白其中的原因。但是輸出結(jié)果依然沒有顯示日文。

檢查 PowerShell 控制臺(tái)的編碼，我們發(fā)現(xiàn)它是 ASCII 格式的。我們來試試看修改編碼方式：$OutputEncoding = [System.Text.Encoding]::UTF8。這樣就變成了 UTF-8。但依然不起作用?？赡苁且?yàn)樽煮w不支持日文。我快速上網(wǎng)搜索了以下，然后發(fā)現(xiàn) MS Gothic 字體支持日文，所以我修改了字體。

怎么反斜杠（“ \ ”）變成了“ ¥ ”？但如果這樣可以顯示日文的話，我也可以接受。我將一個(gè)測試文件夾命名為“有り難う”，以確保 PowerShell 能夠正確顯示文件名。下面，我們來看一看這個(gè)文件夾，我們看到文件名可以正常顯示。但即使這樣修改代碼，輸出結(jié)果依然無法顯示漢字字符！我嘗試將語言環(huán)境設(shè)置為 ja_JP.UTF8，但仍然無法輸出日文。繼續(xù)上網(wǎng)搜索，我看到一篇文章討論如何在 Windows Server 20222 上 PowerShell 控制臺(tái)中顯示中文、日文以及韓文的文章，其中指出：

默認(rèn)情況下，Windows PowerShell .lnk 快捷方式會(huì)被硬編碼為使用“ Consolas ”字體。“ Consolas ”字體不包含中文、日文以及韓文字符的字形，因此無法正確呈現(xiàn)這些字符。將字體更改為“ MS Gothic ”可以解決這個(gè)問題，因?yàn)?ldquo; MS Gothic ”字體擁有漢字字符。

命令提示符（cmd.exe）沒有這個(gè)問題，因?yàn)?cmd .lnk 快捷方式?jīng)]有指定字體?？刂婆_(tái)會(huì)根據(jù)系統(tǒng)語言在運(yùn)行時(shí)選擇正確的字體。

解決方法

該問題很快就能在 Windows 11 和 Windows Server 2022 中得到修復(fù)，但不會(huì)向后移植到較低版本。

如果想解決這個(gè)問題，請(qǐng)使用以下兩種解決方法之一。

雖然文中提到的問題與我遇到的問題略有差別，但似乎默認(rèn)情況下 PowerShell 并不能很好地處理日文字符。我嘗試結(jié)合使用命令提示符與 MS Gothic，但也沒能解決問題。上網(wǎng)搜索的所有結(jié)果表明我的代碼可以在 C 中運(yùn)行。于是，我將代碼恢復(fù)到了第一版：

#include <stdio.h>
#include <wchar.h>
#include <locale.h>
int main() {
setlocale(LC_ALL, ""); // Set the locale to the user's default locale
wchar_t thankyou[] = L"有り難う";
wprintf(L"Thank You in Japanese is: %ls\n", thankyou);
return 0;
}

然后在樹莓派上運(yùn)行，結(jié)果發(fā)現(xiàn)可以正常工作！

我在 Macbook Pro 上試了一下，也沒有任何問題。我在 Macbook Pro 上啟動(dòng) PowerShell，一切依然正常，所以這不是 C 中的一個(gè) bug，但看起來確實(shí)是 Windows 在終端中處理非拉丁字符的方式有問題。

下面，我們來看看如何在 C 中正確輸出日文字符，這是我們的最后一個(gè)例子。如上所述，我們可以通過 strlen 來獲取字符串的長度。接下來，我們來修改 C 代碼，獲取日文字符串的 strlen，如下所示：

#include <stdio.h>
#include <string.h>
int main() {
printf("The length of the string is %d characters\n", strlen("有り難う"));
return 0;
}

輸出結(jié)果如下：

The length of the string is 12 characters

改成前面最初版本的輸出，就可以看到這 12 個(gè)字符。

你可能已經(jīng)注意到了這個(gè)字符串包含 12 個(gè)字符，原因是我們將字符串解釋為 ascii。由于每個(gè)漢字被編碼成了 4 個(gè)字節(jié)，因此每個(gè)字節(jié)都被解釋為一個(gè)單獨(dú)的字母，而無法集中到一起形成一個(gè)漢字。如果我們給字符串加上前綴“ L ”，將字符串的類型從 char 改為 w_char，然后將函數(shù) strlen 改為 wcslen，代碼如下：

#include <stdio.h>
#include <wchar.h>
#include <locale.h>
int main() {
printf("The length of the string is %d characters\n", wcslen(L"有り難う"));
return 0;
}

輸出結(jié)果如下：

The length of the string is 4 characters

這樣問題就得到了解決！

在本文中，我們探討的 C 語言字符串相關(guān)知識(shí)只不過是一些皮毛，我們甚至沒有提及 C11 中引入的 Unicode 文字，例如“ u8 ”、“ u ”和“ U ”。毋庸置疑，在使用 C 字符串時(shí)必須小心，否則你就會(huì)因?yàn)楦鞣N的未定義行為而感到頭疼。另一方面，你的代碼還會(huì)受到不法分子的攻擊。如果你只有使用垃圾收集編程語言的經(jīng)驗(yàn)，那么要仔細(xì)想一想是否有必要大費(fèi)周折學(xué)習(xí) C 語言。Python 這類語言提供了很多數(shù)據(jù)科學(xué)領(lǐng)域使用的庫，其中大部分建立在 C 和 C++ 之上。當(dāng)然這些庫也必須有人去編寫，如果你有這方面的知識(shí)，幾乎所有語言都有一個(gè) C 外部函數(shù)接口，可以用來提高代碼的運(yùn)行速度，所以其他語言也能受惠。所以，我們都應(yīng)該學(xué)習(xí)一下 C 語言，但也許不應(yīng)該從字符串開始學(xué)習(xí)。

以上就是C語言字符串處理的驚天大坑？的詳細(xì)內(nèi)容，更多關(guān)于C語言字符串處理的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！