【CSDN 編者按】毋庸置疑，在使用 C 字串時必須小心，否則你就會因為各種的未定義行為而感到頭疼。
原文連結：https://www.deusinmachina.net/p/c-strings-and-my-slow-descent-to
未經允許，禁止轉載！
作者 | DIEGO CRESPO 譯者 | 彎月
責編 | 王子彧
最近，我一直在學習 C 語言，也因此領教了低級程式設計所涉及的複雜性。作為一名資料科學家或者是 Python 程式設計師，我一直在與字串打交道。有人說，C 語言中的字串處理非常糟糕。我很好奇，所以想一探究竟。
C 語言字串
C 語言的字串是以空終止符 \0 結尾的字符陣列。在 C 語言操作字串時，空終止符會告訴函數已到達字串的末尾。在 C 中，我們可以通過兩種不同的方式聲明一個字串。
第一種也是最困難的方法是定義字符陣列。
#includeint 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，且需要手動插入空終止符。如果單詞很長，鍵入的時間也會很長。
第二種方式是用雙引號括起來的字串。
#includeint main() {char myString[] = "Hello, World!\n";printf("%s", myString);return 0;}
在這種情況下，C 知道字串的長度，就可以自動插入空終止符。
字串操作
正確創建字串之後，你就可以執行許多操作了。常用的字串操作函數包括 strcpy、strlen 和 strcmp。
●strcpy：將儲存在一個變數中的字串複製到另一個變數中。
●strlen：獲取字串的長度（不包括空終止符）。
●strcmp：用於比較兩個字串並根據比較結果返回整數。基本形式為 strcmp(str1,str2)，若 str1=str2，則返回零；若 str1
然而壞訊息是，每個字串函數的使用都有細微的差別。首先，我們來看一個 strcpy 的示例。
int main() {char source[] = "Hello, world!";char destination[20];strcpy(destination, source); // Copy the source string to the destination stringprintf("Source: %s\n", source);printf("Destination: %s\n", destination);return 0;}
輸出結果如下：
Source: Hello, world!Destination: Hello, world!
如你所料，strcpy 的作用就是複製一個字串並將其內容放入另一個字串中。但你可能會問：「為什麼我不能直接將源變數分配給目標變數？」
int main() {char source[] = "Hello, world!";char* destination = source;strcpy(destination, source); // Copy the source string to the destination stringprintf("Source: %s\n", source);printf("Destination: %s\n", destination);return 0;}
事實上，這樣也未嘗不可。只不過現在 destination 變成了 char*，而且是作為指向源字符陣列的指針存在。
下一個字串操作是 strlen，它的作用是獲取字串的大小，但不包括空終止符。
#include#includeint main() {char str[] = "Hello, world!"; // The string to find the length ofint length = strlen(str); // Find the length of the stringprintf("The length of the string '%s' is %d.\n", str, length);return 0;}
輸出結果如下：
The length of the string 'Hello, world!' is 13.這個函數很簡單，就是統計字符數量，直到遇到空終止符。
我們的最後一個函數是 strcmp，它的作用是比較兩個字串，看看它們是否相等。如果相等，則返回 0；若 str1
#include#includeint main() {char str1[] = "Hello, world!";char str2[] = "hello, world!";int result = strcmp(str1, str2); // Compare the two stringsif (result == 0) {printf("The strings are equal.\n");} else {printf("The %s is not equal to %s\n", str1, str2);}return 0;}
輸出結果如下：
The strings are not equal我們了解瞭如何複製字串、獲取字串的長度，以及如何比較字串，下面我們來看一些難點。
上述這些函數沒有一個是安全的操作，而且很容易產生未定義的行為。根源在於使用 \0 作為空終止符。對於上述 C 函數以及其他函數，C 希望找到一個 \0，然後告訴函數停止讀取字串所在的記憶體區域。但是如果沒有空終止符呢？在字串應該結束後，C 會繼續讀取記憶體中的內容。如果我們的程序函數需要驗證使用者提供的密碼，那麼不法分子可能會利用字串的緩衝區溢出，跳過檢查密碼的記憶體區域，直接調用獲取密碼的函數。這樣就可以避開授權。
那麼，我們應當如何處理呢？
保證 C 程式碼的安全性
四處搜尋，你可能會發現一個名為 strncpy 的函數。查看定義，你會發現這個函數可以將源字串複製到目標字串中，並允許指定複製的位元組數。你可能會說：「這個函數看起來很完美！」我可以確保目標字串只接收它可以處理的位元組數。下面的程式碼展示了這個函數的用法及其輸出。
#include#include#define dest_size 12int main(){char source[] = "Hello, World!";char dest[dest_size];// Copy at most 12 characters from source to deststrncpy(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，但還是有問題。如果源字串的長度減去空終止符的長度後正好等於目標字串的長度，結果會怎樣？
答案是目標字串會被源字串的所有字符填滿，沒有空間留給空終止符。一個沒有非 null 終止的字串勢必會引發各種令你頭疼的問題。你可能會說，但至少它可以處理源字串小於目標字串的情況。是嗎？沒錯，它確實可以處理這種情況，但 strcpy 也可以。如果源字串的長度小於目標字串，那麼目標字串中所有未使用的額外空間仍將保留，而且會被填充。因此，假設目標字串的長度為 20 個字符，但源字串只有 13 個字符，那麼實際上你得到的是一個像下面這樣的目標字串。
char destination[20] = {'H', 'e', 'l', 'l', 'o', ',', ' ', 'W', 'o', 'r', 'l', 'd', '!', '\0', '\0', '\0', '\0', '\0', '\0', '\0'};這個字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，那麼 Microsoft Visual C++ 甚至都編譯不過去。你必須手動設置一個標誌，允許使用已棄用的功能，當然我們不應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：
●char *restrict dest：目標字串。
●rsize_t destsz：目標字串的大小。
●const char *restrict src：要複製的源字串。
●rsize_t count：從源字串複製的最大位元組數。
如果目標字串的長度大於源字串，那麼複製可以順利進行。但如果目標字串的長度小於源字串，則只複製目標 -1 的大小。strncpy_s 進行的額外檢查是確保將源字串複製到目標字串中，並且生成的字串始終以 null 結尾。這很好，但是我們又遇到了兩個問題。
●strncpy_s 不會處理額外的填充字符。
●strncpy_s 不可移植到 macOS 或 Linux。
看到這裡，你是不是拳頭都硬了，想問一問已經過去 34 年了，為什麼 C 標準委員會還是沒能沒有提供可移植且更安全的字串操作？
那麼，我們應該如何安全地應對這種情況呢？我想到了幾種方法。
1.如果已知字串的長度，就像我們人為設計的示例一樣，那麼只需將目標字串初始化為 sizeof() 源字串。
2.你可以直接使用指向源字串的指針，並完全放棄複製。只要源字串有正確的終止符，你就不會遇到緩衝區大小不匹配的情況。
3.你可以放棄可移植性，在 Windows 上使用 _s 版本的字串函數，或在 macOS 上使用「 l 」版本。
4.你可以選用其他語言。
至此，你可能已經注意到我花了很多時間談論 strcpy，而 strcmp 和 strlen 只是一筆帶過。實際上，這兩個函數也會遇到由於 C 的字串終止方式引發的相同問題。由於字串的長度在遇到空終止符之前是未知的，所以你會遇到各種未定義的行為和攻擊向量。這與 C++ 形成了鮮明的對比，C++ 將字串視為對象，並將字串的長度和字符數保存到了一起。這就是人們傾向於用 C++ 編寫 C 的原因之一。
為了在純 C 中正確處理這些問題，你需要認真檢查字串的操作。這些操作很容易出錯，而且隨著程序規模增加，難度也會上升。這就是我們認為 C 不安全的原因之一。
非拉丁語言的處理
Unicode 是計算機文字編碼的重要環節。如今文字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，也會遇到其他方面的問題。假設我們需要輸出一些日文字符：
#include#includeint main() {printf("有り難う\n");return 0;}
輸出就會出問題：
這是因為我們沒有按照 Unicode 解釋字符。下面我們來重寫上述程式碼：
#include#include#includeint main() {setlocale(LC_ALL, ""); // Set the locale to the user's default localewchar_t thankyou[] = L"有り難う";wprintf(L"Thank You in Japanese is: %ls\n", thankyou);return 0;}
我添加了一個字串：「Thank You in Japanese is」，仔細觀察下面的螢幕截圖，你就能明白其中的原因。但是輸出結果依然沒有顯示日文。
檢查 PowerShell 控制檯的編碼，我們發現它是 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。可能是因為字型不支持日文。我快速上網搜尋了以下，然後發現 MS Gothic 字型支持日文，所以我修改了字型。
怎麼反斜槓（「 \ 」）變成了「 ¥ 」？但如果這樣可以顯示日文的話，我也可以接受。我將一個測試檔案夾命名為「有り難う」，以確保 PowerShell 能夠正確顯示檔案名。下面，我們來看一看這個檔案夾，我們看到檔案名可以正常顯示。但即使這樣修改程式碼，輸出結果依然無法顯示漢字字符！我嘗試將語言環境設置為 ja_JP.UTF8，但仍然無法輸出日文。繼續上網搜尋，我看到一篇文章討論如何在 Windows Server 20222 上 PowerShell 控制檯中顯示中文、日文以及韓文的文章，其中指出：
默認情況下，Windows PowerShell .lnk 快捷方式會被硬編碼為使用「 Consolas 」字型。「 Consolas 」字型不包含中文、日文以及韓文字符的字形，因此無法正確呈現這些字符。將字型更改為「 MS Gothic 」可以解決這個問題，因為「 MS Gothic 」字型擁有漢字字符。
命令提示符（cmd.exe）沒有這個問題，因為 cmd .lnk 快捷方式沒有指定字型。控制檯會根據系統語言在運行時選擇正確的字型。
解決方法
該問題很快就能在 Windows 11 和 Windows Server 2022 中得到修復，但不會向後移植到較低版本。
如果想解決這個問題，請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，但似乎默認情況下 PowerShell 並不能很好地處理日文字符。我嘗試結合使用命令提示符與 MS Gothic，但也沒能解決問題。上網搜尋的所有結果表明我的程式碼可以在 C 中運行。於是，我將程式碼恢復到了第一版：
#include#include#includeint main() {setlocale(LC_ALL, ""); // Set the locale to the user's default localewchar_t thankyou[] = L"有り難う";wprintf(L"Thank You in Japanese is: %ls\n", thankyou);return 0;}
然後在樹莓派上運行，結果發現可以正常工作！
我在 Macbook Pro 上試了一下，也沒有任何問題。我在 Macbook Pro 上啟動 PowerShell，一切依然正常，所以這不是 C 中的一個 bug，但看起來確實是 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，這是我們的最後一個例子。如上所述，我們可以通過 strlen 來獲取字串的長度。接下來，我們來修改 C 程式碼，獲取日文字串的 strlen，如下所示：
#include#includeint main() {printf("The length of the string is %d characters\n", strlen("有り難う"));return 0;}
輸出結果如下：
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 個字符。
你可能已經注意到了這個字串包含 12 個字符，原因是我們將字串解釋為 ascii。由於每個漢字被編碼成了 4 個位元組，因此每個位元組都被解釋為一個單獨的字母，而無法集中到一起形成一個漢字。如果我們給字串加上前綴「 L 」，將字串的類型從 char 改為 w_char，然後將函數 strlen 改為 wcslen，程式碼如下：
#include#include#includeint main() {printf("The length of the string is %d characters\n", wcslen(L"有り難う"));return 0;}
輸出結果如下：
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 語言字串相關知識只不過是一些皮毛，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 字串時必須小心，否則你就會因為各種的未定義行為而感到頭疼。另一方面，你的程式碼還會受到不法分子的攻擊。如果你只有使用垃圾收集程式語言的經驗，那麼要仔細想一想是否有必要大費周折學習 C 語言。Python 這類語言提供了很多資料科學領域使用的庫，其中大部分建立在 C 和 C++ 之上。當然這些庫也必須有人去編寫，如果你有這方面的知識，幾乎所有語言都有一個 C 外部函數接口，可以用來提高程式碼的運行速度，所以其他語言也能受惠。所以，我們都應該學習一下 C 語言，但也許不應該從字串開始學習。
