為什麼 wc -m 和 wc -c 不同？

作為一名 C 程序員，我很驚訝地看到wc -c（計算字節數）和wc -m（計算字元數）對於我的長文本文件輸出非常不同的結果。我一直被告知這sizeof(char)是 1 個字節。

qdii@nomada ~/Documents $ wc -c sentences.csv
102990983 sentences.csv
qdii@nomada ~/Documents $ wc -m sentences.csv
89023123 sentences.csv

有什麼解釋嗎？

C 中的char類型是一個字節，但它是為 ASCII 字元設計的；有像 UTF-8 這樣的可變寬度編碼，每個字元可以佔用很多字節。wc使用該mbrtowc(3)函式解碼多字節序列，具體取決於LC_CTYPE環境變數設置的語言環境。如果您正確設置了語言環境，您應該在所有情況下都得到相同的結果。例如：

qdii@nomada ~/Documents $ LC_CTYPE="C" wc -m sentences.csv
102990983 sentences.csv

猜測一下，

1. 您的語言環境使用 UTF-8 編碼，並且
2. 大約 10% 的文件包含需要多個八位字節才能編碼為 UTF-8 的字元。

順便說一句，來自man wc：

  -c, --bytes
         print the byte counts

  -m, --chars
         print the character counts

引用自：https://unix.stackexchange.com/questions/51945