¿Cómo deben usarse las matrices de caracteres como cadenas?
string c-strings (4)
Intuitivamente ...
Piense en una matriz como una variable (contiene cosas) y una cadena como un valor (se puede colocar en una variable).
Ciertamente no son lo mismo. En su caso, la variable es demasiado pequeña para contener la cadena, por lo que la cadena se corta. (Las "cadenas entre comillas" en C tienen un carácter nulo implícito al final).
Sin embargo, es posible almacenar una cadena en una matriz que es mucho más grande que la cadena.
Tenga en cuenta que los operadores habituales de asignación y comparación (
=
==
<
etc.) no funcionan como cabría esperar.
Pero la familia de funciones
strxyz
acerca bastante, una vez que sabes lo que estás haciendo.
Consulte las
preguntas frecuentes de C
sobre
strings
y
arrays
.
Entiendo que las cadenas en C son solo matrices de caracteres. Así que probé el siguiente código, pero da resultados extraños, como salida de basura o bloqueos del programa:
#include <stdio.h>
int main (void)
{
char str [5] = "hello";
puts(str);
}
¿Por qué no funciona esto?
Se compila limpiamente con
gcc -std=c17 -pedantic-errors -Wall -Wextra
.
Nota: Esta publicación está destinada a ser utilizada como una pregunta frecuente canónica para problemas derivados de una falla en la asignación de espacio para un terminador NUL al declarar una cadena.
¿Se pueden considerar todas las cadenas como una matriz de caracteres ( Sí ), se pueden considerar todas las matrices de caracteres como cadenas ( No ).
¿Por qué no? y por que importa
Además de las otras respuestas que explican que la longitud de una cadena no se almacena en ningún lugar como parte de la cadena y las referencias al estándar donde se define una cadena, la otra cara es "¿Cómo manejan las cadenas las funciones de la biblioteca de C?"
Si bien una matriz de caracteres puede contener los mismos caracteres, es simplemente una matriz de caracteres a menos que el último carácter sea seguido por el carácter de terminación nula . Ese carácter de terminación nula es lo que permite que la matriz de caracteres se considere (se maneje como) una cadena.
Todas las funciones en C que esperan una cadena como argumento esperan que la secuencia de caracteres sea terminada en nulo . ¿Por qué?
Tiene que ver con la forma en que funcionan todas las funciones de cadena.
Como la longitud no se incluye como parte de una matriz, las funciones de cadena, escanee hacia adelante en la matriz hasta que se encuentre el carácter
nulo
(por ejemplo,
''/0''
- equivalente al decimal
0
).
Ver
tabla y descripción ASCII
.
Independientemente de si está utilizando
strcpy
,
strchr
,
strcspn
, etc. Todas las funciones de cadena dependen del carácter de
terminación
strcspn
presente para definir dónde está el final de esa cadena.
Una comparación de dos funciones similares de
string.h
enfatizará la importancia del carácter de
terminación nula
.
Tomar como ejemplo:
char *strcpy(char *dest, const char *src);
La función
strcpy
simplemente copia bytes de
src
a
dest
hasta que se encuentra el carácter de
terminación
strcpy
dice a
strcpy
dónde detener la copia de caracteres.
Ahora tome la función similar
memcpy
:
void *memcpy(void *dest, const void *src, size_t n);
La función realiza una operación similar, pero no considera ni requiere que el parámetro
src
sea una cadena.
Dado que
memcpy
no puede simplemente escanear hacia adelante en
src
copiando bytes a
dest
hasta que se alcanza un carácter de
terminación
memcpy
, requiere un número explícito de bytes para copiar como tercer parámetro.
Este tercer parámetro proporciona a
memcpy
la misma información de tamaño que
strcpy
puede obtener simplemente escaneando hacia adelante hasta encontrar un carácter de
terminación
memcpy
.
(que también enfatiza lo que sale mal en
strcpy
(o cualquier función que espera una cadena) si no proporciona la función con una cadena
terminada
en nulo; no tiene idea de dónde detenerse y felizmente correrá por el resto de su memoria Segmento invocando
Comportamiento indefinido
hasta que se encuentre un carácter nulo en algún lugar de la memoria o se produzca un Fallo de segmentación)
Es por eso que las funciones que esperan una cadena terminada en nulo deben pasar una cadena terminada en nulo y por qué es importante .
Del Estándar C (7.1.1 Definiciones de términos)
1 Una cadena es una secuencia contigua de caracteres terminados por e incluyendo el primer carácter nulo. El término cadena multibyte a veces se usa para enfatizar el procesamiento especial dado a los caracteres multibyte contenidos en la cadena o para evitar la confusión con una cadena ancha. Un puntero a una cadena es un puntero a su carácter inicial (con la dirección más baja). La longitud de una cadena es el número de bytes que preceden al carácter nulo y el valor de una cadena es la secuencia de los valores de los caracteres contenidos, en orden.
En esta declaración
char str [5] = "hello";
la cadena literal
"hello"
tiene la representación interna como
{ ''h'', ''e'', ''l'', ''l'', ''o'', ''/0'' }
es decir, tiene 6 caracteres, incluido el cero final.
Sus elementos se utilizan para inicializar la matriz de caracteres
str
que reserva espacio solo para 5 caracteres.
El estándar C (opuesto al estándar C ++) permite tal inicialización de una matriz de caracteres cuando el cero final de un literal de cadena no se usa como inicializador.
Sin embargo, como resultado, la
str
matriz de caracteres no contiene una cadena.
Si desea que la matriz contenga una cadena, puede escribir
char str [6] = "hello";
o solo
char str [] = "hello";
En el último caso, el tamaño de la matriz de caracteres se determina a partir del número de inicializadores del literal de cadena que es igual a 6.
La cadena de CA es una matriz de caracteres que termina con un terminador nulo .
Todos los caracteres tienen un valor de tabla de símbolos.
El terminador nulo es el valor del símbolo
0
(cero).
Se usa para marcar el final de una cadena.
Esto es necesario ya que el tamaño de la cadena no se almacena en ningún lado.
Por lo tanto, cada vez que asigne espacio para una cadena, debe incluir suficiente espacio para el carácter terminador nulo.
Su ejemplo no hace esto, solo asigna espacio para los 5 caracteres de
"hello"
.
El código correcto debe ser:
char str[6] = "hello";
O, de manera equivalente, puede escribir código autodocumentado para 5 caracteres más 1 terminador nulo:
char str[5+1] = "hello";
Al asignar memoria para una cadena dinámicamente en tiempo de ejecución, también debe asignar espacio para el terminador nulo:
char input[n] = ... ;
...
char* str = malloc(strlen(input) + 1);
Si no agrega un terminador nulo al final de una cadena, las funciones de la biblioteca esperan que una cadena no funcione correctamente y obtendrá errores de "comportamiento indefinido", como salida de basura o bloqueos del programa.
La forma más común de escribir un carácter terminador nulo en C es mediante el uso de la llamada "secuencia de escape octal", que se ve así:
''/0''
.
Esto es 100% equivalente a escribir
0
, pero el
/
sirve como código autodocumentado para indicar que el cero está explícitamente destinado a ser un terminador nulo.
Código como
if(str[i] == ''/0'')
verificará si el carácter específico es el terminador nulo.
Tenga en cuenta que el término terminador nulo no tiene nada que ver con punteros nulos o la macro
NULL
.
Esto puede ser confuso: nombres muy similares pero significados muy diferentes.
Esta es la razón por la cual el terminador nulo a veces se denomina
NUL
con una L, que no debe confundirse con punteros nulos o nulos.
Consulte las respuestas a
esta pregunta SO
para obtener más detalles.
El
"hello"
en su código se llama
literal de cadena
.
Esto debe considerarse como una cadena de solo lectura.
La sintaxis
""
significa que el compilador agregará un terminador nulo al final del literal de cadena automáticamente.
Entonces, si imprime
sizeof("hello")
obtendrá 6, no 5, porque obtiene el tamaño de la matriz que incluye un terminador nulo.
Se compila limpiamente con gcc
De hecho, ni siquiera una advertencia. Esto se debe a un sutil detalle / falla en el lenguaje C que permite que las matrices de caracteres se inicialicen con un literal de cadena que contiene exactamente tantos caracteres como hay espacio en la matriz y luego descarta silenciosamente el terminador nulo (C17 6.7.9 / 15). El lenguaje se comporta así intencionalmente por razones históricas, consulte Diagnóstico inconsistente de gcc para la inicialización de cadenas para más detalles. También tenga en cuenta que C ++ es diferente aquí y no permite que se use este truco / falla.