char8_t 与 UTF-8 字符串

在 C++20 之前，UTF-8 字符串字面量 u8"..." 的类型是 const char[N]——跟普通字符串在类型上压根没区别。这听着好像无所谓，其实是不少坑的老巢：你没法在类型层面分清"这一串是 UTF-8"还是"这一串是本地执行字符集"，编译器也帮不上你挡住那种把 UTF-8 当裸字节乱打印的错。C++20 引入 char8_t，就是要把 UTF-8 从 char 那片模糊地带里独立出来，给它一个专属类型，让类型系统替咱们把关。这改动来自提案 P0482R6「char8_t: A type for UTF-8 characters and strings」，探测支持看 __cpp_char8_t（C++20，值 201811L）。

不过——笔者得提前打个预防针——这个"独立类型"的改动是带破坏性的：它一把改了 u8 字面量的类型，于是一大批在 C++17 下岁月静好的老代码，升到 C++20 直接就编不过了。这一篇，我们就把这俩最常踩的坑、怎么搬代码、还有 C++23 后来补的那一刀，一次讲清楚。

u8 字面量，类型整个换了灵魂

C++20 起，UTF-8 字符串字面量 u8"..." 的类型，从 const char[N] 变成了 const char8_t[N]；UTF-8 字符字面量 u8'c' 的类型，也从 char 变成了 char8_t。这个 char8_t 是个独立的 fundamental 类型，底层类型（underlying type）是 unsigned char，大小、对齐、转换秩都跟 unsigned char 一致——但它不参与别名规则（不是 [basic.lval] 里允许别名访问的那几个类型之一），也就是说，你不能拿 char8_t* 去合法地别名访问别的对象内存。

至于为啥要这么较真地单造一个类型？道理很简单：类型一旦分开，编译器就能在"把 UTF-8 串误当本地编码 char 串使""把 char8_t 当整数打印"这类错误上直接报错，而不是等运行时输出一屏乱码才让你拍大腿。拿类型安全换一点点迁移成本，这笔账 C++20 觉得值。

两个最经典的坑

类型一换，两个迁移坑就浮上水面了。

头一个坑：u8"" 不能再隐式转 const char*。 C++17 里，const char* p = u8"text"; 完全合法（那会儿 char 跟 char8_t 还是一家人）；到了 C++20，u8"text" 成了 const char8_t[N]，而 char8_t 不会隐式转 char，这行直接 ill-formed。所有把 u8 字面量塞给期望 const char* 的旧接口（构造 std::string、传给 C API、std::filesystem::u8path 的某些重载等等）统统中招。

第二个坑：标准库故意 =delete 了 char8_t 的 ostream 重载。 您可能想——那我直接 std::cout << u8"text"; 打呗？也不行。C++20 起，标准库对 char8_t、const char8_t* 这类 UTF-8 字符/字符串，在 basic_ostream<char> 和 basic_ostream<wchar_t> 上的 operator<< 重载，是显式删除的（注意，不是"忘了实现"，是故意的）。于是 std::cout << u8'z'、std::cout << u8"text" 都会因为命中 deleted 重载而编译失败。这么干，就是为了拦住历史代码把 UTF-8 数据当整数或指针胡乱打印出来。

老代码怎么搬过来

碰上这俩坑，怎么把 C++17 的老代码挪到 C++20？几条路，笔者按代价从低到高给您捋：

最省事的，是编译选项回退：GCC/Clang 上加 -fno-char8_t、MSVC 上加 /Zc:char8_t-，把 u8 字面量的类型退回 C++17 的 char 语义，老代码立马又能编。这只是过渡期的权宜之计，新代码别长期依赖它。其次，是显式逐字节转换：当你确实要喂给一个只认 const char* 的接口、且心里有数内容就是 UTF-8 字节时，用 reinterpret_cast<const char*>(u8"text")（或者 C 风格转换）切个视角——字节内容不变，只是换个指针类型，把"头一个坑"绕过去。最"政治正确"的，是走 std::u8string 路线：用 u8string/u8string_view 类型安全地持有 UTF-8 文本，要打印时再写个小小的 operator<< 把它转出去，把类型安全贯彻到底。

C++23 的 P2513：又补回来一点

"头一个坑"里"不能初始化"的范围，后来倒是被收窄了一点点。提案 P2513R4「char8_t Compatibility and Portability」作为 C++20 的缺陷报告（DR），在 C++23 落地（__cpp_char8_t 的值也跟着改成 202207L），重新允许用 u8 字符串字面量去初始化 char 或 unsigned char 数组——也就是 char ca[] = u8"text"; 这种又变回合法了。但请注意，它只放宽了"数组初始化"这一条；const char8_t* 到 const char* 的指针隐式转换，至今仍然 ill-formed，坑一里那个指针赋值的情形，可没被放过。

上手跑一跑

下面这个 demo，把两个坑（笔者用注释"封印"起来，您取消注释立马编译失败）和两种正确写法摆一块儿，方便对照。

展开代码 (共 33 行)收起代码

cpp

// Standard: C++20  | Platform: host
#include <iostream>
#include <string>

// —— 坑一（取消注释会编译失败）：u8"" 不再隐式转 const char* ——
// const char* p = u8"text";   // ill-formed since C++20

// —— 坑二（取消注释会编译失败）：ostream 显式 =delete 了 char8_t 重载 ——
// std::cout << u8"text";      // ill-formed since C++20
// std::cout << u8'z';         // ill-formed since C++20

// 正确写法之一：显式逐字节转换（内容不变，仅切换指针类型视角）
void print_as_char(const char* s)
{
    std::cout << s << '\n';
}

// 正确写法之二：用 std::u8string 类型安全地持有 UTF-8，并自定义打印
std::ostream& operator<<(std::ostream& os, const std::u8string& s)
{
    return os << reinterpret_cast<const char*>(s.data());
}

int main()
{
    // 路线 A：把 u8 字面量当 const char* 用（适合喂给只认窄字符的旧接口）
    print_as_char(reinterpret_cast<const char*>(u8"text"));

    // 路线 B：u8string 全程保持 UTF-8 类型，打印时再转
    std::u8string u8s = u8"UTF-8 text";
    std::cout << u8s << '\n';
    return 0;
}