多字节字符集与Unicode字符集
在计算机中字符通常并不是保存为图像,每个字符都是使用一个编码来表示的,而每个字符究竟使用哪个编码代表,要取决于使用哪个字符集(charset)。
多字节字符集:
在最初的时候,Internet上只有一种字符集——ANSI的ASCII字符集,它使用7 bits来表示一个 字符,总共表示128个字符,其中包括了 英文字母、数字、标点符号等常用字符。之后,又进行扩展,使用8 bits表示一个字符,可以表示256个字符,主要在原来的7 bits字符集的基础上加入了一些特殊符号。后来,由于各国语言的加入,ASCII已经不能满足信息交流的需要,为了能够表示其它国家的文字,各国在 ASCII的基础上制定了自己的字符集,这些从ANSI标准派生的字符集被习惯的统称为ANSI字符集,它们正式的名称应该是MBCS(Multi-Byte Chactacter System,即多字节字符系统)。这些派生字符集的特点是以ASCII 127 bits为基础,兼容ASCII 127,他们使用大于128的编码作为一个Leading Byte,紧跟在Leading Byte后的第二(甚至第三)个字符与 Leading Byte一起作为实际的编码。这样的字符集有很多,我们常见的GB-2312就是其中之一。
Unicode字符集:
Unicode的学名 是"Universal Multiple-Octet Coded Character Set",简称为UCS。UCS可以看作是"Unicode Character Set"的缩写。UCS只是规定如何编码,并没有规定如何传输、保存这个编码。UTF是“UCS Transformation Format”的缩写。
Unicode字符集有多种编码形式,它固定使用16 bits(两个字节、一个字)来表示一个字符,共可以表示65536个字符。将世界上几乎所有语言的常用字符收录其中,方便了信息交流。标准的Unicode称为UTF-16。后来为了双字节的Unicode能够在现存的处理单字节的系统上正确传输,出现了UTF-8(注意UTF-8是编码,它属于Unicode字符集),使用类似MBCS的方式对Unicode进行编码。UTF-8以字节为编码单元,没有字节序的问题。UTF-16以两个字节为编码单元。
UTF-16包括三种:UTF-16,UTF-16BE(Big Endian),UTF-16LE(Little Endian),UTF-16需要通过在文件开头以名为BOM(Byte Order Mark)的字符来表明文件是Big Endian还是Little Endian。Unicode规范中推荐的标记字节顺序的方法是BOM(Byte Order Mark)。在UCS编码中有一个叫做"ZERO WIDTH NO-BREAK SPACE"的字符,它的编码是FEFF。而FFFE在UCS中是不存在的字符,所以不应该出现在实际传输中。UCS规范建议我们在传输字节流前,先传输字符"ZERO WIDTH NO-BREAK SPACE"。这样如果接收者收到FEFF,就表明这个字节流是Big-Endian的;如果收到FFFE,就表明这个字节流是Little-Endian的。因此字符"ZERO WIDTH NO-BREAK SPACE"又被称作BOM。
UTF-8不需要BOM来表明字节顺序,但可以用BOM来表明编码方式。字符"ZERO WIDTH NO-BREAK SPACE"的UTF-8编码是EF BB BF(读者可以用我们前面介绍的编码方法验证一下)。所以如果接收者收到以EF BB BF开头的字节流,就知道这是UTF-8编码了。
Windows就是使用BOM来标记文本文件的编码方式的。
L是用来标志一个字符(串)为宽字符(串),当你在VS2005以上版本的IDE工作时,可以选择工作于这两种不同的编码方式下,而在Unicode方式下,则要对字符(串)常量前添加L来告诉编译器它是宽字符。MS为我们定义了好几个相关的宏:_T(定义于tchar.h)、_TEXT(同样定义于tchar.h)。
// MessageBox("Test"); //错误 // MessageBox(_T("Test")); // MessageBox(TEXT("Test")); MessageBox(_TEXT("Test"));
对于为什么使用Unicode?(以下引自《windows核心编程》)
开发应用程序的时候,强烈建议你使用Unicode字符和字符串,理由如下:
- Unicode使程序的本地化变得更容易;
- 使用Unicode,只需发布一个二进制(.exe或DLL)文件,即可支持所有语言;
- Unicode代码执行速度更快,占用内存更少,提升了应用程序的效率。自从Windows2K开始,Win的系统内核开始完全支持并完全应用Unicode编写,所有ANSI字符在进入底层前,都会被相应的API转换成Unicode。所以,如果你一开始就使用Unicode,则可以减少转换的用时和RAM开销。
- 使用Unicode,你的应用程序能轻松调用所有不反对使用(nondeprecated)的Windows函数,因为一些Windows函数提供了只能处理Unicode字符和字符串的版本;
- 使用Unicode,你的代码很容易与COM集成(后者要求使用Unicode字符和字符串);
- 使用Unicode,你的代码很容易与.NET Framework集成(后者要要求使用Unicode字符和字符串);
- 使用Unicode,能保证你的代码能够轻松操纵你自己的资源(其中的字符串总是Unicode的);
- 世界上大多数程序用的字符集都是Unicode,因为Unicode有利于程序国际化和标准化;
wchar_t与char类型间的转换:
#include<iostream> #include<Windows.h> using namespace std; class CUser { public: CUser(); virtual ~CUser(); char* WcharToChar(wchar_t* wc);//宽字节转单字节 wchar_t* CharToWchar(char* c); //单字节转宽字节 void Release();//释放资源 private: char* m_char; wchar_t* m_wchar; }; ///////////////////////////////////////////////////////////////////////////////////// /*字符类型 wchar_t char /*获取字符长度 wcslen() strlen() /*连接两个字符串 wcscat() strcpy() /*复制字符串 wcscpy() strcpy() /*比较两个字符串 wcscmp() strcmp() /*具体参数详见www.linuxidc.com*/ //////////////////////////////////////////////////////////////////////////////////// CUser::CUser():m_char(NULL),m_wchar(NULL) { } CUser::~CUser() { Release(); } //宽字节转单字节 char* CUser::WcharToChar(wchar_t* wc) { Release(); int len= WideCharToMultiByte(CP_ACP,0,wc,wcslen(wc),NULL,0,NULL,NULL); m_char=new char[len+1]; WideCharToMultiByte(CP_ACP,0,wc,wcslen(wc),m_char,len,NULL,NULL); m_char[len]='\0'; return m_char; } //单字节转宽字节 wchar_t* CUser::CharToWchar(char* c) { Release(); int len = MultiByteToWideChar(CP_ACP,0,c,strlen(c),NULL,0); m_wchar=new wchar_t[len+1]; MultiByteToWideChar(CP_ACP,0,c,strlen(c),m_wchar,len); m_wchar[len]='\0'; return m_wchar; } //释放资源 void CUser::Release() { if(m_char) { delete m_char; m_char=NULL; } if(m_wchar) { delete m_wchar; m_wchar=NULL; } }
使用如下:
WCHAR* wc; CUser u; char* c=u.WcharToChar(wc); cout<<c<<endl;
高洪臣 (Gavin Gao)
cggos@outlook.com
=======================================================================