Qt开发中文显示乱码
Qt开发中文显示乱码
来源 https://www.jianshu.com/p/ed269df8104d
参考 https://blog.csdn.net/J_H_C/article/details/93882284
为什么会出现乱码
首先，我们需要有的概念是乱码的问题是由编码和解码方式引起的。涉及到编码方式的地方有3个：
- 源码字符集
- 执行字符集
- 运行环境字符集
源码字符集(the source character set):源码文件时使用何种编码格式保存的。
执行字符集(the execution character)：可执行程序内保存的是何种编码(程序执行时内存中字符串编码)
gcc 运行字符集设置参数
-finput-charset=charset //设置源码字符集为charset
-fexec-charset=charset //设置执行字符集为charset
-fwide-exec-charset=charset //设置宽字符串的执行字符集为charset
msvc 运行字符集设置参数
-execution-charset:utf-8 // 指明程序执行时使用UTF-8字符集
-source-charset:utf-8 // 指明源码文件的编码为UTF-8字符集
源码字符集确切的说是编译器认为源码文件的编码方式，执行字符集是可执行程序采用的编码方式，而运行环境字符集则是环境支持的编码方式。编译程序处理字符串的过程，实际上是首先读入字符的二进制数，根据编码格式到另一种编码格式转换策略得到另外一串二进制数，所以1->2可能有二进制数的变化,而3则是通过既定的编码方式来解读2中的二进制数为字符(这里为什么说可能呢，因为1和2如果是相同的编码是不需要变化的)。
那么具体是哪些地方引起错误呢？在解答之前先介绍理解该问题的先验知识（由于我的运行环境是window简体中文版，所以以下的locale编码就是指GBK编码）：
- msvc2013编译程序时，处理源码字符集时，有BOM标识符的则正确识别(实际上目前就是有无BOM的utf-8)，无BOM则使用本地Locale字符集(随系统设置而变)，执行字符集默认用本地Locale字符集(其他msvc版本在看完本文甚至可以根据自己实验猜测处理)。
- gcc编译程序时，默认两者都是uft-8，有finput-charset源码字符集和fexec-charset执行字符集则按照设置。
那么乱码的原因有：
①编译器解读源码字符集错误。如我是utf-8的源码，因为不带bom你当成locale，执行字符集也是locale所以不需要转换，而本来utf-8到locale是需要转换的。
②源码字符集到执行字符集的转换错误。如本来把识别正确的源码字符集locale转成执行字符集中的utf-8，结果你给我指定了错误了转换方式，说让我通过xxx编码转utf-8的策略转(Note:这是错误的表述，看到下面你就明白，实际上这里的错误只能是应为转换算法的错误)。
③字符解析错误。如果现在程序中的字符串二进制是utf-8的，结果你非要说执行字符集是loacle，那么解析肯定会出错。
还需要理解的包括下面的知识:
- windows console控制台代码页为locale，即把程序中的字符串二进制表示当locale执行字符集来解读
- 字符串二进制的表示形式不需要编译，直接拷贝到执行程序的二进制中
乱码情况解析
接下来内容的实例基于csdn作者“在水一方”博文中举的“我是中文”的例子(文末有引用)，他的博文在我理解这个问题的本质过程中帮助很大。这里就套用他的例子的，一方面我比较懒，不想举其他例子，另一方面通过验证他的例子，也佐证了我自己的想法。
直接上例子(这里说的都是源码字符集):
const char * str = "我是汉字"
//用GBK编码等价于
const char * str = "\xce\xd2\xca\xc7\xba\xba\xd7\xd6";
//用utf-8编码等价于
const char * str = "\xe6\x88\x91\xe6\x98\xaf\xe6\xb1\x89\xe5\xad\x97";
//note:这里的等价于就是说当计算机到内存中来处理的时候，中文读入的就是等价于的二进制数
翻译一下就是，“我是汉字”这几个字，在GBK编码下就是保存的“\xce\xd2\xca\xc7\xba\xba\xd7\xd6”这样一串二进制，而utf-8则是保存的“\xe6\x88\x91\xe6\x98\xaf\xe6\xb1\x89\xe5\xad\x97”。这里可以使用Notepad++进行验证。
字符解析错误乱码
- 编译环境:vs2013(msvc2013编译器)，源码文件字符集GBK
- 运行环境:Windows简体中文下的Console命令行
下面看一段代码:
char * cc = "\xce\xd2\xca\xc7\xba\xba\xd7\xd6";
std::cout << cc << std::endl;
char * cc1 = "\xe6\x88\x91\xe6\x98\xaf\xe6\xb1\x89\xe5\xad\x97";
std::cout << cc1 << std::endl;
char * cc2 = "我是汉字";
std::cout << cc2 << std::endl;
运行程序得到下图结果:
根据结果我们可以看到2是乱码的，而汉字表现出了和GBK下二进制数据一样的结果。有了前面的先验知识按照前面先验的乱码原因①②③来理解:
①对于不带bom源码的文件，msvc2013当成locale处理，而源码字符集恰巧是locale，读入源码字符集没问题。这里需要“我是汉字”字符串变为二进制数，并记录源码字符集。
②源码字符集和执行字符集都是locale，不需要转换，没转换自然转换没问题。到此，字符串的二进制表示的直接拷贝到了执行程序中。
③2把执行程序中“\xe6\x88\x91\xe6\x98\xaf\xe6\xb1\x89\xe5\xad\x97”——“我是中文”uft-8编码下的二进制，当成了GBK编码来解析，所以出现了类型③乱码。
Note:请用notepad++检验，以便理解。
在上面程序的基础上，我们添加测试函数的函数体前添加一段预定义，这是c++11对执行字符集的支持:
//让编译器编译生成程序的执行字符集为utf-8
#if _MSC_VER >= 1600
#pragma execution_character_set("utf-8")
#endif
再次运行程序，得到如下的结果:
首先看到12和上面结果一样，有人这里就有疑问了。你说的字符串的二进制表示直接拷贝我也理解，但是现在我的执行字符集是utf-8啊，那我解读第一个和第二个的结果不应该是这个啊。那你可能忘掉了我之前的一个先验知识了，console不认识utf-8，它仍然会把这串二进制当成locale来解读，所以这里和上面的表现结果是一样的。
下面来看3是怎么回事，①②流程下来:
①源码为locale，编译器也默认认为源码字符集是locale(编译器这是瞎猫碰到死耗子，蒙对了！)，解读正确。
②编译器正确知道源码字符集的情况下，需要转化成指定的字符集，自然是会给出正确的转化策略。
最终，编译通过编码转换策略做了一次从 “\xce\xd2\xca\xc7\xba\xba\xd7\xd6”到“\xe6\x88\x91\xe6\x98\xaf\xe6\xb1\x89\xe5\xad\x97”的转换，所以程序中又是“我是中文”uft-8编码下的二进制了，最终又回到了2的情况——类型③乱码。
转换错误乱码(反证)
- 编译环境:QtCreator(MinGW gcc编译器)，源码文件字符集utf-8
- 运行环境:Windows简体中文下图形界面
下面看一段代码:
MainWindow w;
QLabel *lb1 = new QLabel(&w);
QLabel *lb2 = new QLabel(&w);
QLabel *lb3 = new QLabel(&w);
lb1->setText(QString("我是汉字"));
lb1->resize(100, 20);
lb1->move(120, 120);
lb2->setText(QString::fromUtf8("我是汉字"));
lb2->resize(100, 20);
lb2->move(120,160);
//由于源码是utf-8编码，下面代码等价于：
//lb3->setText(QString::fromLocal8Bit("我是汉字"));
lb3->setText(QString::fromLocal8Bit(
"\xe6\x88\x91\xe6\x98\xaf\xe6\xb1\x89\xe5\xad\x97"));
lb3->resize(100, 20);
lb3->move(120,200);
w.show();
运行程序得到下图结果:
这里我不给出详细的分析了，通过第1个标签和第2个标签结果都正常，可以验证出gcc编译的默认规则——默认源码字符集和执行字符集都是uft-8，且知道了Qt中QString::fromxxx()函数的作用了。而标签2和标签3的对比可以知道，当环节②出错，就出现乱码了。过程是编译器把读入的utf-8编码下的二进制当成了loacle来解析，这时就解析成了所谓的那串“乱码”，然后正确转换成了uft-8编码下的该“乱码”(Note:这里两次乱码实际的二进制是不一样的哦，只是编码形式不同才有的相同结果，你明白我的意思嘛？)。有人又要疑惑了，不对啊，你明明说这是个类型②的错误，怎么我看着像是类型①乱码呢。其实如果你能这么疑惑，说明你是真的懂了，这里确实是一个类型①的乱码。实际上这里的源码字符集到执行字符集的算法是api内部实现的，所以我们面对这种情况的时候②都不会出问题的。当然了，像你这种乱码都没有理解的人来说，去实现这个算法，那我是不敢用，说不定就会产生类型②乱码了，哈哈。
总结
由于Qt的出现就是为了跨平台,所以QString中统一采用utf-16存储字符串。所有源码中的字符串存放到QString中时，都需要经过一次到utf-16的正确转换。在qt5之前，有两种解决方式解决乱码：
QString::fromxxx();
QTextCodec::setCodecForxxx();
相信大家看了前面已经明白这两个函数是意思，这里要提醒一句的就是，两种方式最终在QString中存放的，都是字符串在unicode编码形式下的二进制。
写在最后
这系列的文章将会以自己学习后理解的知识点分享为主，希望吾之所得亦可为汝所得。在2017年3月18日重新更新文章时，我删掉了与知识点无关的表述。只是希望让正努力从“不求甚解”到“先去理解清楚一些以释重负”转变的你，不会因为篇幅过长望而却步。如有疑问，欢迎提问，如有高见，烦请指点。
参考:
- qt中文乱码问题
- QString乱谈(2)
- 从此乱码是路人
- 以及n多的内容。上面三篇博文尤其前两篇带我真正理解了qt中中文乱码的原因
msvc:QMAKE_CXXFLAGS += -execution-charset:utf-8
msvc:QMAKE_CXXFLAGS += -source-charset:utf-8
msvc:QMAKE_CXXFLAGS_WARN_ON += -wd4819
gcc:QMAKE_CXXFLAGS += -finput-charset=charset:utf-8
gcc:QMAKE_CXXFLAGS += -fexec-charset=charset:utf-8
gcc:QMAKE_CXXFLAGS += -fwide-exec-charset=:utf-8
QTextCodec::setCodecForCStrings(QTextCodec::codecForName("UTF-8"));
QTextCodec::setCodecForLocale(QTextCodec::codecForName("UTF-8"));
QTextCodec::setCodecForTr(QTextCodec::codecForName("UTF-8"));
网上很多人一碰到编码问题就无脑的Copy上面3行……
从Qt5开始只剩下setCodecForLocale这一个了，只是影响Qt对toLocal8Bit相关函数的编码方式
{ // Qt默认会使用本机编码，所以对于中文系统，下面这句设置是多余的 QTextCodec::setCodecForLocale(QTextCodec::codecForName("GBK")); QString str1("你好Hello"); QByteArray bLocal = str1.toLocal8Bit(); // 受setCodecForLocale影响，会转换为设定的编码。如果本机不支持指定编码，则会按toLatin1处理 QByteArray baLatin1 = str1.toLatin1(); // 不受setCodecForLocale影响，强制转换为ISO-8859-1编码 QByteArray bUtf8 = str1.toUtf8(); // 不受setCodecForLocale影响，强制转换为UTF-8编码 qDebug() << str1; // 正常，Qt会将UTF-16转换为UTF-8输出 qDebug() << baLatin1; // 乱码，用UTF-8编码输出Latin1字节流 qDebug() << bLocal; // 乱码，用UTF-8编码输出GBK字节流 qDebug() << bUtf8; // 正常，用UTF-8编码输出UTF-8字节流 QString str2 = QString::fromLocal8Bit(bLocal); qDebug() << str2; // 正常，因为上面显式指定字节流来自本机编码，而bLocal正是本机编码GBK str2 = QString::fromLatin1(bLocal); qDebug() << str2; // 乱码，bLocal是GBK编码，但却指定了以Latin1方式去读取，肯定会乱码 // 字节流来自UTF-8 str2 = QString::fromUtf8("\xE4\xBD\xA0\xE5\xA5\xBD\x48\x65\x6C\x6C\x6F"); qDebug() << str2; // 正常 // Qt默认采用UTF-8处理字符串，所以不用显式地去调用fromUtf8 str2 = QString("\xE4\xBD\xA0\xE5\xA5\xBD\x48\x65\x6C\x6C\x6F"); qDebug() << str2; // 正常 }
在Qt中，QString会用UTF-16编码存储，而qDebug()等I/O函数会以UTF-8编码处理。
其实转换后的字节流是正确的，只是显示时用了和字节流不同的编码方式处理导致乱码
所以当要在Qt中输入输出非UTF-8字符串时应该先转换一下
在源码中要写入非英文字符的话建议使用转义的方式，也就是上面“\xE4\xBD...”这种，这也是官方推荐的方式
为了方便将字符串转换为UTF8转义字符，写了一个小工具
http://download.csdn.net/detail/aqtata/5596247
2014-5-6补充：
从vs2010sp1和vs2013开始就已经支持UTF-8的源码文件了，只用在工程里加入一句"#pragma execution_character_set("UTF-8")"即可。不用再做上面的转义了。
