随笔 - 13 文章 - 0 评论 - 70 阅读 - 43498

Delphi与字符编码（实战篇）

本文目标：

了解Delphi的字符串类型
字符编码的检测与转换
简体繁体转换

0. 导言

看完“.Net与字符编码（理论篇）”，我们明白了字符是自然语言中的最小单位，在存储和传输的过程中可以使用三种编码方法：ASCII、DBCS以及Unicode。常见的DBCS编码有GB2312、GBK和BIG5，而UTF-8、UTF-16和UTF-32则是最常用的Unicode编码类型。

1. 字符串类型

在Delphi中有两种字符串类型：AnsiString和WideString。AnsiString被称为“长字符串”(Long String)；WideString则叫做“宽字符串”（Unicode String），它和COM String (BSTR)兼容。它们都是由程序在堆(Heap)上分配的并自动管理内存的分配和释放。目前在Win32平台上，string类型等同于AnsiString。AnsiString还可以理解成字节序列，它支持单字节字符编码(SBCS)、多字节字符编码(MBCS/DBCS)以及UTF-8编码。而WideString使用UTF-16编码，完美支持Unicode。

为了说明字符和字节的区别，我们来看一个计算字符个数的例子：

// 假设当前系统页为CP936(GBK 1.0)

procedure TestAnsiLength;

var

str: string;

begin

str := '汉字ABC';

Assert(Length(str) = 7); // 7个字节

Assert(AnsiLength(str) = 5); // 5个字符

end;

下面是AnsiLength的两种实现：

// uses SysUtils;

function AnsiLength(const s: string): integer;

var

p, q: PChar;

begin

Result := 0;

p := PChar(s);

q := p + Length(s);

while p < q do

begin

Inc(Result);

if p^ in LeadBytes then // 当前系统代码页的前导字节数组

Inc(p, 2)

else

Inc(p);

end;

// uses Windows;

function AnsiLength(const s: string): Integer;

begin

Result := MultiByteToWideChar(CP_ACP, 0, PAnsiChar(s), -1, nil, 0);

if Result > 0 then Dec(Result); // 除去终止符

end;

如果理解了.Net与字符编码（理论篇）中的编码知识，上面的例子还是很简单的。

2. 字符编码的检测与转换

“工欲善其事，必先利其器”，我先向大家推荐一些工具：

JCL (JEDI Code Library)
Virtual TreeView
Tnt Controls or TMS Unicode Component Pack

定义基本的类型：

{ 编码类型 }

TEncodingType = (

etAnsi, // ANSI format (SBCS/DBCS)

etUTF8, // UTF-8 format

etUnicode, // UTF-16 format using little endian

etUnicodeBE, // UTF-16 format using big endian

etUTF32, // UTF-32 format using little endian

etUTF32BE // UTF-32 format using big endian

);

{ 字节顺序标记 }

TByteOrderMask = array of Byte;

获得不同编码类型的BOM：

CopyBytes

function TryGetBOM(const encodingType: TEncodingType; var bom: TByteOrderMask): Boolean;

begin

Result := True;

case encodingType of

etUTF8: CopyBytes(BOM_Utf8, bom);

etUnicode: CopyBytes(BOM_UTF16_LSB, bom);

etUnicodeBE: CopyBytes(BOM_UTF16_MSB, bom);

etUTF32: CopyBytes(BOM_UTF32_LSB, bom);

etUTF32BE: CopyBytes(BOM_UTF32_MSB, bom);

else

begin

SetLength(bom, 0);

Result := False;

end;

检测字符编码类型：

CompareBOM

function DetectEncoding(buffer: PAnsiChar): TEncodingType; overload;

begin

if CompareBOM(buffer, BOM_UTF8) then

Result := etUTF8

else if CompareBOM(buffer, BOM_UTF16_LSB) then

Result := etUnicode

else if CompareBOM(buffer, BOM_UTF16_MSB) then

Result := etUnicodeBE

else if CompareBOM(buffer, BOM_UTF32_LSB) then

Result := etUTF32

else if CompareBOM(buffer, BOM_UTF32_MSB) then

Result := etUTF32BE

else

Result := etAnsi;

end;

function DetectEncoding(stream: TStream): TEncodingType; overload;

var

pos: Int64;

bytes: TByteOrderMask;

begin

SetLength(bytes, 6);

ZeroMemory(@bytes[0], Length(bytes));

pos := stream.Seek(0, soFromCurrent);

stream.Seek(0, soFromBeginning);

stream.Read(bytes[0], SizeOf(bytes));

stream.Seek(pos, soFromBeginning);

Result := DetectEncoding(PAnsiChar(@bytes[0]));

end;

下面的方法演示了如何用不同的编码类型来保存文本：

procedure WriteText(stream: TStream; const buffer: WideString;

const encodingType: TEncodingType; withBom: Boolean = False);

var

s: AnsiString;

p: PAnsiChar;

bom: TByteOrderMask;

bytes: Integer;

begin

p := nil;

bytes := Length(buffer) * SizeOf(WideChar);

if withBom and TryGetBOM(encodingType, bom) then

begin

stream.Write(bom[0], Length(bom));

end;

case encodingType of

etAnsi:

begin

p := PAnsiChar(buffer);

bytes := Length(buffer);

end;

etUTF8:

begin

s := Utf8Encode(buffer);

p := PAnsiChar(s);

bytes := Length(s);

end;

etUnicode:

begin

p := PAnsiChar(PWideChar(buffer));

end;

etUnicodeBE:

begin

StrSwapByteOrder(PWideChar(buffer));

p := PAnsiChar(PWideChar(buffer));

end;

else // 留给读者去实现

begin

raise Exception.Create('Not Implemented.');

end;

stream.Write(p^, bytes);

end;

需要说明的是，如果把这些过程封装成对象的话，结构会更清晰。

3. 简体繁体转换

简体繁体转换包括简转繁和繁转简两种情况，其原理是利用查找字符编码映射表来查找相应的字符。网上有一个“利用编码对照表完成内码转换和简繁体转换的单元”就是基于这个原理写的，在这里就暂不详述了。

{ TODO: 采用OOP来封装字符编码模块，并提供下载 }
{ TODO: 研究简体繁体转换 }

参考文章