Character sets and encodings

Diese Seite beschreibt mehrere Zeichensätze, die durch den C++-Standard spezifiziert sind.

Inhaltsverzeichnis 1 Übersetzungszeichensatz 2 Basiszeichensatz 3 Basis-Literalzeichensatz 4 Ausführungszeichensatz 5 Codeeinheit und Literalkodierung 6 Anmerkungen 7 Fehlerberichte 8 Siehe auch Übersetzungszeichensatz Der Übersetzungszeichensatz besteht aus folgenden Elementen: jedem abstrakten Zeichen, dem ein Codepunkt im Unicode -Codespace zugewiesen ist, und einem eindeutigen Zeichen für jeden Unicode-Skalarwert, der keinem abstrakten Zeichen zugewiesen ist. Der Übersetzungszeichensatz ist eine Obermenge des Basiszeichensatzes und des Basis-Literalzeichensatzes (siehe unten).

(seit C++23)

Basis-Zeichensatz

Der grundlegende Zeichensatz besteht aus den folgenden 96 (bis C++26) 99 (seit C++26) Zeichen:

Codepoint	Zeichen	Glyphe
U+0009	Tabulator
U+000B	Zeilentabulator
U+000C	Seitenvorschub (FF)
U+0020	Leerzeichen
U+000A	Zeilenvorschub (LF)	neue Zeile
U+0021	Ausrufezeichen	!
U+0022	Anführungszeichen	"
U+0023	Doppelkreuz	#
U+0025	Prozentzeichen	%
U+0026	Kaufmanns-Und	&
U+0027	Apostroph	'
U+0028	Linke Klammer	(
U+0029	Rechte Klammer	)
U+002A	Sternchen	*
U+002B	Pluszeichen	+
U+002C	Komma	,
U+002D	Bindestrich-Minus	-
U+002E	Punkt	.
U+002F	Schrägstrich	/
U+0030 .. U+0039	Ziffer null .. neun	0 1 2 3 4 5 6 7 8 9
U+003A	Doppelpunkt	:
U+003B	Semikolon	;
U+003C	Kleiner-als-Zeichen	<
U+003D	Gleichheitszeichen	=
U+003E	Größer-als-Zeichen	>
U+003F	Fragezeichen	?
U+0041 .. U+005A	Lateinischer Großbuchstabe A .. Z	A B C D E F G H I J K L M N O P Q R S T U V W X Y Z
U+005B	Linke eckige Klammer	[
U+005C	Backslash	\
U+005D	Rechte eckige Klammer	]
U+005E	Zirkumflex	^
U+005F	Unterstrich	_
U+0061 .. U+007A	Lateinischer Kleinbuchstabe a .. z	a b c d e f g h i j k l m n o p q r s t u v w x y z
U+007B	Linke geschweifte Klammer	{
U+007C	Senkrechter Strich	|
U+007D	Rechte geschweifte Klammer	}
U+007E	Tilde	~

Die folgenden Zeichen wurden seit C++26 zum Basiszeichensatz hinzugefügt: Codepunkt Zeichen Glyphe U+0024 Dollarzeichen $ U+0040 Klammeraffe @ U+0060 Gravis `

(seit C++26)

Basis-Zeichensatz für Literale

Der grundlegende Literal-Zeichensatz besteht aus allen Zeichen des Basis-Zeichensatzes, plus den folgenden Steuerzeichen:

Codepoint	Zeichen
U+0000	Null
U+0007	Bell
U+0008	Backspace
U+000D	Wagenrücklauf (CR)

Ausführungszeichensatz

Der Ausführungszeichensatz und der Ausführungs-Breitzeichensatz sind Obermengen des grundlegenden Literalzeichensatzes. Die Kodierungen der Ausführungszeichensätze und die Mengen zusätzlicher Elemente (falls vorhanden) sind gebietsschemaspezifisch. Jedes Element des Ausführungs-Breitzeichensatzes muss als eineindeutige wchar_t Codeeinheit darstellbar sein.

Codeeinheit und Literal-Codierung

Eine Codeeinheit ist ein ganzzahliger Wert des Zeichentyps. Zeichen in einem Character-Literal außer einem Multicharacter- oder nicht kodierbaren Character-Literal oder in einem String-Literal werden als Sequenz von einer oder mehreren Codeeinheiten kodiert, wie durch das Encoding-Präfix bestimmt; dies wird als das jeweilige Literal-Encoding bezeichnet.

Eine Literalkodierung oder eine gebietsschemaspezifische Kodierung eines der Ausführungszeichensätze kodiert jedes Element des grundlegenden Literalzeichensatzes als einzelne Codeeinheit mit nicht-negativem Wert, verschieden von der Codeeinheit für jedes andere solche Element. Ein Zeichen, das nicht im grundlegenden Literalzeichensatz enthalten ist, kann mit mehr als einer Codeeinheit kodiert werden; der Wert einer solchen Codeeinheit kann derselbe sein wie der einer Codeeinheit für ein Element des grundlegenden Literalzeichensatzes. Die Kodierungen der Ausführungszeichensätze können unabhängig von jeder Literalkodierung sein.

Die gewöhnliche Literalkodierung ist die Kodierung, die auf ein gewöhnliches Zeichen- oder Zeichenkettenliteral angewendet wird. Die breite Literalkodierung ist die Kodierung, die auf ein breites Zeichen- oder Zeichenkettenliteral angewendet wird.

Das U+0000 NULL-Zeichen wird als Wert 0 codiert. Kein anderes Element des Übersetzungszeichensatzes wird mit einer Codeeinheit des Werts 0 codiert. Der Codeeinheitenwert jedes Dezimalziffernzeichens nach der Ziffer 0 (U+0030) soll um eins größer sein als der Wert des vorherigen. Die gewöhnlichen und breiten Literalcodierungen sind ansonsten implementierungsdefiniert.

Für ein UTF-8-, UTF-16- oder UTF-32-Literal wird der UCS-Skalarwert, der jedem Zeichen des Übersetzungszeichensatzes entspricht, wie in ISO/IEC 10646 für die jeweilige UCS-Kodierungsform spezifiziert kodiert.

Hinweise

Die Standardnamen einiger Zeichensätze wurden in C++23 über P2314R4 geändert.

Neue Bezeichnung(en)	Alte Bezeichnung(en)
basic character set	basic source character set
basic literal character set	basic execution character set basic execution wide-character set

Abbildung von Quelltextdatei (außer einer UTF-8-Quelltextdatei) (seit C++23) Zeichen auf den Basiszeichensatz (bis C++23) Übersetzungszeichensatz (seit C++23) während Übersetzungsphase 1 ist implementierungsdefiniert, daher ist eine Implementierung verpflichtet zu dokumentieren, wie die Basisquellzeichen in Quelltextdateien dargestellt werden.

Fehlerberichte

Die folgenden verhaltensändernden Fehlerberichte wurden rückwirkend auf zuvor veröffentlichte C++-Standards angewendet.

DR	Angewendet auf	Verhalten wie veröffentlicht	Korrektes Verhalten
CWG 788	C++98	die Werte der Member der Ausführungs-Zeichensätze waren implementierungsdefiniert, aber nicht lokalspezifisch	sie sind lokalspezifisch
CWG 1796	C++98	die Darstellung des Null-(Breit-)Zeichens im grundlegenden Ausführungs-(Breit-)Zeichensatz hatte alle Bits null	nur Wert muss null sein

Siehe auch

ASCII-Tabelle

C-Dokumentation für Zeichensätze und Kodierungen