ชุดอักขระ C (C Character Set)

ชุดอักขระ C (C Character Set)

ภาพรวม

ชุดอักขระประกอบด้วยชุดอักขระที่ถูกต้องที่เราสามารถใช้ในโปรแกรมของเราในสภาพแวดล้อมที่แตกต่างกัน ภาษาซีมีชุดอักขระอย่างกว้างๆ สองชุด

• ชุดอักขระต้นทาง (SCS): SCS ใช้เพื่อแยกวิเคราะห์ซอร์สโค้ดเป็นการแสดงภายในก่อนขั้นตอนก่อนการประมวลผล ชุดนี้ประกอบด้วยชุดอักขระพื้นฐานและอักขระช่องว่าง
• Execution Character Set (ECS): ECS ใช้เพื่อเก็บค่าคงที่สตริงอักขระ นอกเหนือจากชุดอักขระพื้นฐาน ชุดนี้มีอักขระควบคุมและ Escape Sequences

ขอบเขตของบทความ

• บทความนี้กล่าวถึงประวัติการเข้ารหัสอักขระ ในที่นี้ เราพูดถึงการเข้ารหัสรูปแบบเก่าที่เรียกว่า EBCDIC, ASCII และ Unicode มาตรฐานปัจจุบัน
• นอกจากนี้ จะมีการอธิบายชุดอักขระประเภทต่างๆ ใน C ด้วยการใช้ฟังก์ชันยูทิลิตี้ที่มีอยู่ใน C

เบื้องหลัง

อักขระคือข้อมูลขนาด 1 ไบต์ที่แสดงถึงตัวอักษร ตัวเลข และอักขระพิเศษบางตัว เช่น ! , @ ฯลฯ ดูเหมือนง่าย แต่มีประวัติอันยาวนานของมาตรฐานที่แตกต่างกันเช่น EBCDIC , ASCII ฯลฯ

ในช่วงแรกๆ เคยมีระบบการเข้ารหัสที่เรียกว่า Extended Binary-Coded Decimal Interchange Code ( EBCDIC ) ซึ่งพัฒนาโดย IBM EBCDIC รองรับอักขระได้ 256 ชนิด คุณสมบัติที่สำคัญบางประการของ EBCDIC คือ:

• อักขระแต่ละตัวพอดีใน 8 บิต
• อักขระประเภทเดียวกันจะไม่ถูกจัดกลุ่มเข้าด้วยกัน
• EBCDIC เวอร์ชันต่างๆ เข้ากันไม่ได้

การเข้ารหัส ASCII อย่างช้าๆ ได้รับการพัฒนาในปี 1963 โดย American Standards Association (ASA) ASCII นั้นง่ายกว่าและรองรับอักขระน้อยกว่า EBCDIC มี 128 อักขระและต้องใช้ 7 บิตเพื่อแสดงอักขระตัวเดียว

ความขัดแย้งอื่น

คอมพิวเตอร์ส่วนใหญ่ใช้ 8-bit ไบต์และ ASCII ต้องการเพียง 7 บิต (เช่น 2 7 = 128 อักขระ) เรามีบิตสำรองไว้อีกหนึ่งบิต ในไม่ช้า มีเพียงไม่กี่องค์กรที่พัฒนาแบบแผนของตนเองสำหรับอักขระ [128, 255] ตัว IBM ได้พัฒนาชุดอักขระ OEM ซึ่งรวมถึงอักขระพิเศษ เช่น | , Ã , Æ เป็นต้น IBM เปลี่ยนชุดอักขระเหล่านี้ เช่น [128, 255] ตามแต่ละประเทศ ตัวอย่างเช่น รหัสอักขระ 130 แสดง é ในยุโรป และแสดง ℷ ในอิสราเอล หากสิ่งนี้ปรากฏเป็นปัญหาเล็ก ๆ ให้รอจนกว่าภาษาเอเชียจะเข้ามาในรูปภาพด้วยตัวอักษรนับพัน! ในช่วงเวลาที่ยากลำบากเหล่านี้ มาตรฐานกำลังค่อยๆ เข้ามา…

Unicode Era

ต่างจากการแปลงรหัสอักขระเป็นไบนารีโดยตรง Unicode มีมุมมองที่แตกต่างกันเกี่ยวกับอักขระ ซึ่งช่วยให้ Unicode รองรับอักขระได้ไม่จำกัดจำนวน ( ในการเข้ารหัสประเภทต่างๆ ) บทความนี้ไม่ได้กล่าวถึงการใช้งาน Unicode แต่ประเด็นสำคัญที่ควรทราบมีดังนี้

• Unicode เป็นเพียงมาตรฐาน UTF-8, UTF-16 ฯลฯ… คือการเข้ารหัสที่แท้จริง
• ตำนานยอดนิยม: UTF-8 ต้องใช้ 2 ไบต์ (16 บิต) เพื่อจัดเก็บอักขระ ดังนั้นจึงสามารถแสดง อักขระได้สูงสุด 2 16 (65,536) นี้เป็นเท็จ อักขระบางตัวถูกเก็บไว้ใน 1 ไบต์ บางส่วนถูกเก็บไว้ใน 2 ไบต์ บางคนถึงกับต้องการ 6 ไบต์!
• การแสดงอักขระนั้นไม่ง่ายเหมือนการแปลงเป็นไบนารี
• UTF-8 เป็นซูเปอร์เซ็ตของ ASCII กล่าวคือ อักขระที่มีรหัส ASCII [0, 127] สามารถแสดงด้วยรหัสอักขระเดียวกันได้

บทนำของชุดอักขระ C

หลักๆ จะมีชุดอักขระในภาษา C อยู่ 2 ชุด

• Source Character Set: นี่คือชุดของอักขระที่สามารถใช้เขียนซอร์สโค้ดได้ ก่อนขั้นตอนก่อนการประมวลผล ขั้นตอนแรกของ C PreProcessor (CPP) คือการแปลงการเข้ารหัสของซอร์สโค้ดเป็น Source Character Set (SCS) เช่นA , Tab, B , SPACE , \n เป็นต้น
• Execution Character Set: นี่คือชุดของอักขระที่สามารถตีความได้โดยโปรแกรมที่ทำงานอยู่ หลังจากขั้นตอนก่อนการประมวลผล CPP จะแปลงการเข้ารหัสอักขระและค่าคงที่สตริงเป็น Execution Character Set (ECS) เช่น A , B , \a เป็นต้น

โดยค่าเริ่มต้น CPP จะใช้การเข้ารหัส UTF-8 สำหรับทั้งชุดอักขระต้นทางและการดำเนินการ ผู้ใช้สามารถเปลี่ยนแปลงได้ด้วยแฟล็กคอมไพเลอร์ด้านล่าง

-finput-charsetใช้เพื่อตั้งค่า SCS
การใช้งาน: gcc main.c -finput-charset=UTF-8
-fexec-charsetใช้เพื่อตั้งค่า ECS
การใช้งาน: gcc main.c -fexec-charset=UTF-8

หมายเหตุ : ชุดอักขระพื้นฐานเป็นเรื่องปกติระหว่าง SCS และ ECS

ชุดอักขระพื้นฐาน

ชุดอักขระที่มาและการดำเนินการมีอักขระทั่วไปไม่กี่ตัว ชุดอักขระทั่วไปเรียกว่า ชุดอักขระพื้นฐาน มาพูดคุยกันเพิ่มเติมเกี่ยวกับเรื่องนี้ด้านล่าง:

ตัวอักษร:ซึ่งมีทั้งตัวพิมพ์ใหญ่และตัวพิมพ์เล็ก รหัส ASCII ของตัวพิมพ์ใหญ่อยู่ในช่วง [65, 90] ในขณะที่รหัส ASCII ของตัวพิมพ์เล็กอยู่ในช่วง [97, 122] เช่น A , B , a , bเป็นต้น

อักขระตัวพิมพ์ใหญ่และตัวพิมพ์เล็กต่างกันเพียงบิตเดียว

ฟังก์ชั่นยูทิลิตี้: isalpha , islower , isupperตรวจสอบว่าตัวอักษรเป็นตัวอักษร, ตัวพิมพ์เล็ก, ตัวพิมพ์ใหญ่ตามลำดับ tolower , toupperแปลงตัวอักษรเป็นตัวพิมพ์ที่เหมาะสม

ตัวเลข:รวมตัวเลขตั้งแต่ 0 ถึง 9 ( รวม ) รหัส ASCII ของตัวเลขอยู่ในช่วง [48, 57] เช่น 0 , 1 , 2เป็นต้น

• ฟังก์ชันยูทิลิตี้: isdigitตรวจสอบว่าอักขระที่ป้อนเป็นตัวเลขหรือไม่ isalnumตรวจสอบว่าอักขระเป็นตัวอักษรและตัวเลขหรือไม่

เครื่องหมายวรรคตอน/อักขระพิเศษ:ตำแหน่งที่ตั้ง C เริ่มต้นจัดประเภทอักขระด้านล่างเป็นอักขระเครื่องหมายวรรคตอน

• ฟังก์ชันยูทิลิตี้: ispunctตรวจสอบว่าอักขระเป็นอักขระเครื่องหมายวรรคตอนหรือไม่ ตารางด้านล่างประกอบด้วยรายการของเครื่องหมายวรรคตอน รหัส ASCII และกรณีการใช้งานทั้งหมด

ชุดอักขระควบคุม

อักขระเหล่านี้มีตั้งแต่รหัส ASCII 0 ถึง 31 ( รวม ) และอักขระที่ 127 พวกเขามองไม่เห็น แต่จะส่งผลต่อโปรแกรมในรูปแบบต่างๆ ตัวอย่างเช่น: อักขระ \a (BEL) อาจทำให้เกิดเสียงบี๊บหรือหน้าจอกะพริบเมื่อพิมพ์ อักขระ \b (BS) จะเลื่อนเคอร์เซอร์ถอยหลังหนึ่งก้าว (ไม่เหมือนBackspaceบนแป้นพิมพ์ ซึ่งจะลบอักขระก่อนหน้า)

• Utility Functions:  iscntrl ตรวจสอบว่าอักขระเป็นอักขระควบคุมหรือไม่

• Escape Sequences: อักขระเหล่านี้เป็นส่วนหนึ่งของชุดอักขระ Execution อักขระเหล่านี้ต้องมีแบ็กสแลช ( \ ) เพื่อระบุ ประกอบด้วยอักขระตั้งแต่ 2 ตัวขึ้นไป แต่ C PreProcessor จะถือว่าอักขระเหล่านี้เป็นอักขระตัวเดียว เช่น: \a , \b , \t เป็นต้น…
• White-space characters: อักขระเหล่านี้เป็นส่วนหนึ่งของชุดอักขระต้นทาง มีผลกับข้อความที่แสดง แต่จะว่างเปล่าทางสายตา
• Utility Functions: isspaceตรวจสอบว่าอักขระเป็นอักขระ white-space หรือไม่

พิมพ์ตัวอักษรทั้งหมด

#include <stdio.h>
#include <ctype.h>

int main() {
   printf("| Character | ASCII | Type        |\n");
   printf("| :-------: | ----: | :---------- |\n");
   for (int i = 32; i < 127; i++) {
       printf("|  %3c      | %3d   | ", i, i);
       if (isalpha(i))
           printf("Alphabet    |\n");
       else if (isdigit(i))
           printf("Digit       |\n");
       else if (ispunct(i))
           printf("Punctuation |\n");
       else if (isspace(i))
           printf("Space       |\n");
       else if (iscntrl(i))
           printf("Control     |\n");
   }
   return 0;
}

Output

| Character | ASCII | Type        |
| :-------: | ----: | :---------- |
|           |  32   | Space       |
|    !      |  33   | Punctuation |
|    "      |  34   | Punctuation |
|    #      |  35   | Punctuation |
|    $      |  36   | Punctuation |
|    %      |  37   | Punctuation |
|    &      |  38   | Punctuation |
|    '      |  39   | Punctuation |
|    (      |  40   | Punctuation |
|    )      |  41   | Punctuation |
|    *      |  42   | Punctuation |
|    +      |  43   | Punctuation |
|    ,      |  44   | Punctuation |
|    -      |  45   | Punctuation |
|    .      |  46   | Punctuation |
|    /      |  47   | Punctuation |
|    0      |  48   | Digit       |
|    1      |  49   | Digit       |
|    2      |  50   | Digit       |
|    3      |  51   | Digit       |
|    4      |  52   | Digit       |
|    5      |  53   | Digit       |
|    6      |  54   | Digit       |
|    7      |  55   | Digit       |
|    8      |  56   | Digit       |
|    9      |  57   | Digit       |
|    :      |  58   | Punctuation |
|    ;      |  59   | Punctuation |
|    <      |  60   | Punctuation |
|    =      |  61   | Punctuation |
|    >      |  62   | Punctuation |
|    ?      |  63   | Punctuation |
|    @      |  64   | Punctuation |
|    A      |  65   | Alphabet    |
|    B      |  66   | Alphabet    |
|    C      |  67   | Alphabet    |
|    D      |  68   | Alphabet    |
|    E      |  69   | Alphabet    |
|    F      |  70   | Alphabet    |
|    G      |  71   | Alphabet    |
|    H      |  72   | Alphabet    |
|    I      |  73   | Alphabet    |
|    J      |  74   | Alphabet    |
|    K      |  75   | Alphabet    |
|    L      |  76   | Alphabet    |
|    M      |  77   | Alphabet    |
|    N      |  78   | Alphabet    |
|    O      |  79   | Alphabet    |
|    P      |  80   | Alphabet    |
|    Q      |  81   | Alphabet    |
|    R      |  82   | Alphabet    |
|    S      |  83   | Alphabet    |
|    T      |  84   | Alphabet    |
|    U      |  85   | Alphabet    |
|    V      |  86   | Alphabet    |
|    W      |  87   | Alphabet    |
|    X      |  88   | Alphabet    |
|    Y      |  89   | Alphabet    |
|    Z      |  90   | Alphabet    |
|    [      |  91   | Punctuation |
|    \      |  92   | Punctuation |
|    ]      |  93   | Punctuation |
|    ^      |  94   | Punctuation |
|    _      |  95   | Punctuation |
|    `      |  96   | Punctuation |
|    a      |  97   | Alphabet    |
|    b      |  98   | Alphabet    |
|    c      |  99   | Alphabet    |
|    d      | 100   | Alphabet    |
|    e      | 101   | Alphabet    |
|    f      | 102   | Alphabet    |
|    g      | 103   | Alphabet    |
|    h      | 104   | Alphabet    |
|    i      | 105   | Alphabet    |
|    j      | 106   | Alphabet    |
|    k      | 107   | Alphabet    |
|    l      | 108   | Alphabet    |
|    m      | 109   | Alphabet    |
|    n      | 110   | Alphabet    |
|    o      | 111   | Alphabet    |
|    p      | 112   | Alphabet    |
|    q      | 113   | Alphabet    |
|    r      | 114   | Alphabet    |
|    s      | 115   | Alphabet    |
|    t      | 116   | Alphabet    |
|    u      | 117   | Alphabet    |
|    v      | 118   | Alphabet    |
|    w      | 119   | Alphabet    |
|    x      | 120   | Alphabet    |
|    y      | 121   | Alphabet    |
|    z      | 122   | Alphabet    |
|    {      | 123   | Punctuation |
|    |      | 124   | Punctuation |
|    }      | 125   | Punctuation |
|    ~      | 126   | Punctuation |

• ctype.h มีฟังก์ชันยูทิลิตี้ isalpha , isdigit ดังนั้นเราจึงรวมไว้ที่ด้านบน
• เนื่องจากอักขระควบคุมไม่ปรากฏให้เห็น เราจึงไม่พิมพ์อักขระดังกล่าว กล่าวคือ เราเริ่มการวนซ้ำที่รหัส ASCII 32
• ด้วยความช่วยเหลือของฟังก์ชั่นยูทิลิตี้ เรากำลังค้นหาประเภทของตัวละคร
• ผลลัพธ์ของโปรแกรมนี้คือตาราง markdown ของอักขระที่จัดรูปแบบ

สรุป

• ภาษา C มีชุดอักขระสองประเภทคือ: ชุดอักขระต้นทาง (SCS) ชุดอักขระการดำเนินการ (ECS)
• C ซอร์สโค้ดถูกแปลงเป็น SCS โดย CPP ก่อนการประมวลผลล่วงหน้า CPP แปลงค่าคงที่อักขระและสตริงเป็น ECS หลังจากประมวลผลล่วงหน้า
• อักขระช่องว่างจะว่างเปล่าทางสายตา แต่จะส่งผลต่อข้อความ อักขระควบคุมไม่ปรากฏให้เห็น แต่มีการทำงานที่แตกต่างกัน เช่น ทำให้เกิดเสียงกระดิ่ง ( \a ) การเลื่อนเคอร์เซอร์ไปทางซ้าย ( \b ) เป็นต้น
• ctype.h มีฟังก์ชันยูทิลิตี้มากมายสำหรับทำงานกับอักขระเช่นisalpha , isdigitเป็นต้น

credit : https://www.scaler.com/topics/c/