Character sets and encodings

Esta página describe varios conjuntos de caracteres especificados por el estándar C++.

Contenidos 1 Conjunto de caracteres de traducción 2 Conjunto de caracteres básico 3 Conjunto de caracteres literales básicos 4 Conjunto de caracteres de ejecución 5 Unidad de código y codificación literal 6 Notas 7 Informes de defectos 8 Véase también Conjunto de caracteres de traducción El conjunto de caracteres de traducción consiste en los siguientes elementos: cada carácter abstracto asignado a un punto de código en el Unicode codespace, y un carácter distinto para cada valor escalar Unicode no asignado a un carácter abstracto. El conjunto de caracteres de traducción es un superconjunto del conjunto de caracteres básico y del conjunto de caracteres literales básicos (ver más abajo).

(desde C++23)

Conjunto de caracteres básico

El conjunto básico de caracteres consiste en los siguientes 96 (until C++26) 99 (since C++26) caracteres:

Punto de código	Carácter	Glifo
U+0009	Tabulación de caracteres
U+000B	Tabulación de línea
U+000C	Alimentación de formulario (FF)
U+0020	Espacio
U+000A	Alimentación de línea (LF)	nueva línea
U+0021	Signo de exclamación	!
U+0022	Comillas	"
U+0023	Signo de número	#
U+0025	Signo de porcentaje	%
U+0026	Et	&
U+0027	Apóstrofe	'
U+0028	Paréntesis izquierdo	(
U+0029	Paréntesis derecho	)
U+002A	Asterisco	*
U+002B	Signo más	+
U+002C	Coma	,
U+002D	Guion	-
U+002E	Punto	.
U+002F	Barra oblicua	/
U+0030 .. U+0039	Dígito cero .. nueve	0 1 2 3 4 5 6 7 8 9
U+003A	Dos puntos	:
U+003B	Punto y coma	;
U+003C	Signo menor que	<
U+003D	Signo igual	=
U+003E	Signo mayor que	>
U+003F	Signo de interrogación	?
U+0041 .. U+005A	Letra latina mayúscula 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	Corchete izquierdo	[
U+005C	Barra invertida	\
U+005D	Corchete derecho	]
U+005E	Acento circunflejo	^
U+005F	Guion bajo	_
U+0061 .. U+007A	Letra latina minúscula 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	Llave izquierda	{
U+007C	Línea vertical	|
U+007D	Llave derecha	}
U+007E	Tilde	~

Los siguientes caracteres se añaden al conjunto de caracteres básico desde C++26: Punto de código Carácter Glifo U+0024 Signo de Dólar $ U+0040 Arroba Comercial @ U+0060 Acento Grave `

(desde C++26)

Conjunto de caracteres literal básico

El conjunto de caracteres literales básicos consiste en todos los caracteres del conjunto de caracteres básico, más los siguientes caracteres de control:

Código de punto	Carácter
U+0000	Nulo
U+0007	Timbre
U+0008	Retroceso
U+000D	Retorno de carro (CR)

Conjunto de caracteres de ejecución

El conjunto de caracteres de ejecución y el conjunto de caracteres anchos de ejecución son superconjuntos del conjunto de caracteres literal básico. Las codificaciones de los conjuntos de caracteres de ejecución y los conjuntos de elementos adicionales (si los hay) son específicos de la configuración regional. Cada elemento del conjunto de caracteres anchos de ejecución debe ser representable como una unidad de código wchar_t distinta.

Unidad de código y codificación de literales

Una code unit es un valor entero de tipo carácter. Los caracteres en un character literal que no sea un literal de carácter multibyte o no codificable, o en un string literal se codifican como una secuencia de una o más code units, según lo determinado por el prefijo de codificación; esto se denomina la respectiva literal encoding .

Una codificación literal o una codificación específica de la localización de uno de los conjuntos de caracteres de ejecución codifica cada elemento del conjunto de caracteres literal básico como una única unidad de código con valor no negativo, distinta de la unidad de código para cualquier otro de estos elementos. Un carácter que no esté en el conjunto de caracteres literal básico puede codificarse con más de una unidad de código; el valor de dicha unidad de código puede ser el mismo que el de una unidad de código para un elemento del conjunto de caracteres literal básico. Las codificaciones de los conjuntos de caracteres de ejecución pueden no estar relacionadas con ninguna codificación literal.

La codificación literal ordinaria es la codificación aplicada a un carácter ordinario o literal de cadena. La codificación literal amplia es la codificación aplicada a un carácter amplio o literal de cadena.

El carácter U+0000 NULL se codifica como el valor 0. Ningún otro elemento del conjunto de caracteres de traducción se codifica con una unidad de código de valor 0. El valor de unidad de código de cada carácter de dígito decimal después del dígito 0 (U+0030) será uno mayor que el valor del anterior. Las codificaciones de literales ordinarias y anchas están definidas por la implementación en otros aspectos.

Para un literal UTF-8, UTF-16 o UTF-32, el valor escalar UCS correspondiente a cada carácter del conjunto de caracteres de traducción se codifica como se especifica en ISO/IEC 10646 para la forma de codificación UCS respectiva.

Notas

Los nombres estándar de algunos conjuntos de caracteres se han cambiado en C++23 mediante P2314R4 .

Nombre(s) nuevo(s)	Nombre(s) antiguo(s)
basic character set	basic source character set
basic literal character set	basic execution character set basic execution wide-character set

Mapeo desde los caracteres del archivo fuente (distinto de un archivo fuente UTF-8) (since C++23) hacia el juego de caracteres básico (until C++23) juego de caracteres de traducción (since C++23) durante la fase de traducción 1 está definido por la implementación, por lo que se requiere que una implementación documente cómo se representan los caracteres fuente básicos en los archivos fuente.

Informes de defectos

Los siguientes informes de defectos que modifican el comportamiento se aplicaron retroactivamente a los estándares publicados anteriormente de C++.

DR	Aplicado a	Comportamiento publicado	Comportamiento correcto
CWG 788	C++98	los valores de los miembros de los conjuntos de caracteres de ejecución estaban definidos por la implementación, pero no eran específicos de la configuración regional	son específicos de la configuración regional
CWG 1796	C++98	la representación del carácter nulo (ancho) en el conjunto básico de caracteres (anchos) de ejecución tenía todos los bits en cero	solo se requiere que el valor sea cero

Véase también

Tabla ASCII

Documentación de C para Conjuntos de caracteres y codificaciones