21. 本地化与扩展文本

本地化 (localization) 指程序按地区的习惯处理数字格式、货币符号、字符串排序和字符分类等。C 标准库通过区域设置 (locale) 支持本地化：头文件 <locale.h> 提供查询和修改区域设置的接口，<ctype.h>、<string.h>、<wchar.h> 等头文件中的部分函数，其行为受当前区域设置影响。

1. 核心接口 setlocale

setlocale 用于查询或修改当前的区域设置。设置失败时返回空指针，因此每次修改都应检查返回值。

#include <locale.h>
#include <stdio.h>

int main(void) {
    const char *result = setlocale(LC_ALL, "");
    if (result == NULL) {
        puts("setlocale failed");
        return 1;
    }

    puts(result);
    return 0;
}

成功时，程序打印实现用于标识当前区域设置的字符串；失败时打印固定的错误信息。例如：

成功示例

en_US.UTF-8

失败

setlocale failed

成功时打印的名称由操作系统和 C 库决定，不能假定它在各平台上一致。传入空字符串 "" 表示按运行环境（通常是操作系统的环境变量）选择区域设置。

2. 数字与货币格式

localeconv 返回指向 struct lconv 对象的指针，该对象描述当前区域设置下的数字和货币格式，例如 decimal_point（小数点字符）和 currency_symbol（货币符号）。这些信息用于输出给人看的文本；程序内部的计算逻辑应与区域设置无关，只在输入输出时按地区习惯处理。

3. 排序与比较

字符串排序若需要遵循地区规则，应使用 strcoll 和 strxfrm，而不是用 strcmp 直接按字节比较。按字节比较只适合协议字段和机器可读数据，不适合人类语言文本。

4. 区域设置是全局状态

setlocale 修改的是整个程序的区域设置，而不是某个函数或模块私有的状态。程序的一部分修改区域设置后，其他部分的格式化输出、字符分类和排序结果都会随之改变。

5. 与多字节字符和宽字符的关系

区域设置还决定多字节字符的编码方式，从而影响 mbtowc、wcrtomb 等多字节与宽字符之间的转换函数，以及 <wctype.h> 中宽字符分类函数的结果。处理 UTF-8 等多字节文本前，通常需要先调用 setlocale(LC_ALL, "") 或选择一个具体的区域设置。

6. 多线程程序中的区域设置

在多线程程序运行期间调用 setlocale，可能与其他线程中受区域设置影响的函数调用产生数据竞争。应在创建其他线程之前完成区域设置，此后不再修改。

7. 习题

7.1 巩固

#12101

⚡2⏳2

下面的程序先切换到 C 区域设置，再试图切换到一个不存在的名字。先写出两次 printf 和最后一次 setlocale 查询的输出，再实际运行对照。

#include <locale.h>
#include <stdio.h>

int main(void) {
    if (setlocale(LC_ALL, "C") == NULL) {
        puts("cannot set C locale");
        return 1;
    }
    struct lconv *lc = localeconv();
    printf("[%s][%s]\n", lc->decimal_point, lc->thousands_sep);

    if (setlocale(LC_ALL, "no_such_locale") == NULL) {
        puts("switch failed");
    }
    printf("[%s][%s]\n", localeconv()->decimal_point, localeconv()->thousands_sep);
    printf("current: %s\n", setlocale(LC_ALL, NULL));
    return 0;
}

除了输出，还要回答：

1. setlocale 返回空指针时，程序当前的区域设置是保持原样、变成未定义，还是被重置成别的值？
2. 把最后一行改成两步：先用 const char *saved = setlocale(LC_ALL, NULL); 保存返回值，再调用一次 setlocale(LC_ALL, "C")，最后打印 saved。在你的机器上这一步打印的还是原来那个名字吗？saved 指向的存储归谁所有？把这段代码交给另一个实现编译，结果是否一定相同？

#12102

⚡3⏳2

写程序验证 setlocale 的分类参数：只改 LC_NUMERIC 时，数字格式改变，排序规则不变。

要求：

1. 先 setlocale(LC_ALL, "C")，打印 setlocale(LC_NUMERIC, NULL)、setlocale(LC_COLLATE, NULL) 和 localeconv()->thousands_sep，再打印 strcmp("a", "B") 与 strcoll("a", "B") 的正负号。
2. 只调用 setlocale(LC_NUMERIC, "en_US.UTF-8")，重复上面的打印。
3. 再用 setlocale(LC_ALL, "en_US.UTF-8") 重复一次。

验收（区域设置名按本机 locale -a 的输出调整）：

1. 第 1 步：两个类别都是 C，thousands_sep 为空串，strcmp 与 strcoll 同号。
2. 第 2 步：LC_NUMERIC 变成 en_US.UTF-8，LC_COLLATE 仍是 C，thousands_sep 变成 ,，两个比较仍然同号。
3. 第 3 步：两个类别都变。strcmp("a", "B") 仍为正，strcoll("a", "B") 变为负，语言规则把 a 排在 B 前面。第 3 步的结果由实现决定，MinGW 与 glibc 上都能观察到。

7.2 编程

#12103

⚡3⏳3

struct lconv 的 grouping 成员说明从右往左每多少位数字插入一次 thousands_sep：grouping[0] 是最右一组的位数，后面的字节依次给出向左各组的位数；取 0 表示重复前一个字节，取 CHAR_MAX 表示不再分组；grouping[0] 为 0 或 CHAR_MAX 时整个数不分隔。

写一个函数：

int format_amount(long cents, char *buf, size_t size);

金额以分为单位。函数按当前区域设置输出整数部分带分组、小数点后两位、负号在最前的结果，返回写入的字节数（不含结尾的 '\0'），缓冲区放不下时返回 -1。

要求：

1. 不要用 printf 的 ' 标志做分组。它不是 ISO C 的一部分，MinGW 上会把 %'d 原样打印出来。
2. 小数点用 decimal_point，分隔符用 thousands_sep，都从 localeconv 取。
3. 缓冲区放不下时返回 -1，此时 buf 的内容不作要求，调用方不应使用。
4. 按需包含 <locale.h>、<limits.h>、<string.h> 和 <stddef.h>。

验收，en_US.UTF-8 下依次输出 0.00、7.07、999.99、1,000.00、1,234,567.67、-1,234,567.67、-5.05、20,000,000.00，对应输入 0、707、99999、100000、123456767、-123456767、-505、2000000000。同一程序在 C 区域设置下输出 0.00、7.07、999.99、1000.00、1234567.67、-1234567.67、-5.05、20000000.00。

#12104

⚡3⏳3

取 8 个单词：

static const char *words[] = {
    "banana", "Apple", "apple", "Banana",
    "cherry", "Cherry", "date", "Date",
};

分别完成三种排序，各打印一行：

1. 用 strcmp 作 qsort 的比较函数。
2. 用 strcoll 作比较函数。
3. 先用 strxfrm(NULL, s, 0) 求出每个词需要的字节数（返回值不含结尾的 '\0'），按这个长度加 1 分配缓冲区并调用 strxfrm 生成键，再用 strcmp 比较键排序。

验收（en_US.UTF-8）：

1. strcmp 顺序为 Apple Banana Cherry Date apple banana cherry date。
2. strcoll 顺序为 apple Apple banana Banana cherry Cherry date Date。
3. 第 3 步的顺序与第 2 步完全相同。

再把 setlocale 改成 "C" 跑一遍，说明三次结果为什么都变成按字节的顺序。

7.3 综合与挑战

#12105

⚡4⏳3

下面这段库代码有两处问题：它擅自改写了调用方的区域设置，还把 setlocale 返回的指针存了起来。

#include <locale.h>
#include <stdio.h>

static const char *g_locale;

void library_format(double value) {
    g_locale = setlocale(LC_ALL, "");
    if (g_locale == NULL) {
        return;
    }
    printf("%.2f\n", value);
}

要求：

1. 写一个测试程序：主程序先把区域设置设为 "C"，记录 localeconv()->thousands_sep，调用 library_format(1234.5)，再记录一次。把 library_format 里的 setlocale 改成 setlocale(LC_ALL, "en_US.UTF-8")（或本机存在的英文区域设置）以便复现，此时返回后 thousands_sep 会从空串变成 ,，主程序之后的格式化输出随之改变。
2. 修改 library_format，使调用返回后主程序的区域设置与调用前相同：进入时保存当前的 LC_ALL 字符串，退出前用它恢复。保存时必须把字符串复制到自己的缓冲区，不能只存指针。
3. 打印切换前后 g_locale 指向的内容。标准允许后续的 setlocale 调用覆盖上一次返回的字符串，因此旧指针不能依赖；localeconv 返回的 struct lconv 也一样，下一次调用可能改写其中的内容。MinGW 上能直接看到旧指针指向的内容已经变成乱码，glibc 上可能仍然读到旧值。无论观察到哪一种，结论都是同一个：要长期保存就复制。结合这一点说明第 2 步为什么要求复制。
4. 再写一个不调用 setlocale 的版本：库函数只按当前区域设置格式化，由程序在启动时设置一次。在注释里写明多线程程序为什么只能采用这一版。
5. 验收：测试程序打印的区域设置字符串在调用前后相同，thousands_sep 也相同。

#12106

⚡5⏳4

写一个账单报表程序：从标准输入读入若干行，每行是名称、一个制表符和以分为单位的金额（可能为负），输出一张按名称排序的报表。

要求：

1. 程序接受一个可选参数作为区域设置名：./report en_US.UTF-8 < data.txt；省略时传空串，即按运行环境选择。在 main 开头只调用这一次 setlocale，把返回的区域设置名字复制保存；此后任何函数都不再调用 setlocale。用参数指定而不是只靠环境变量，是因为 Windows 上的 setlocale(LC_ALL, "") 不看 LC_ALL 和 LANG，会直接选中系统的区域设置，测试结果随机器而变。
2. 报表按名称的 strcoll 顺序排列。
3. 名称按字符截断到 12 个字符显示，不能截出半个多字节字符。字符边界用 mbtowc 或 mbrtowc 判断，MB_CUR_MAX 由当前区域设置决定。
4. 金额按 12103 的方式格式化，合计行放在最后。
5. 另外把原始数据按字节顺序（strcmp）写到标准错误流，每行是名称、制表符和金额，供其他程序处理。
6. 程序结束前用保存的区域设置名字恢复，并用 setlocale(LC_ALL, NULL) 验证恢复成功。
7. 区域设置名不存在时，向标准错误流报告并返回非零退出码。

测试数据（保存为 data.txt，两列之间是制表符）：

Alice	1234567
bob	-250000
Carol	99999
dave	100000
Christopher-Anderson	4200

验收。./report en_US.UTF-8 < data.txt 的标准输出（本机用 %-14s %14s 对齐，下表去掉了多余空格）：

名称（截断后）	金额
Alice	12,345.67
bob	-2,500.00
Carol	999.99
Christopher-	42.00
dave	1,000.00
TOTAL	11,887.66

标准错误流按字节顺序：

Alice	1234567
Carol	99999
Christopher-Anderson	4200
bob	-250000
dave	100000

./report C < data.txt 下标准输出的金额依次为 12345.67、-2500.00、999.99、42.00、1000.00，合计 11887.66，行顺序变为 Alice、Carol、Christopher-、bob、dave；标准错误流按字节排序，所以两次运行的内容相同。