【转】源码字符集(the source character set) 与 执行字符集(the execution character set)
- 长期以来，很多人都清楚，一旦C++源码中直接使用了中文，这样的源码想要跨平台(I18N)会非常困难。
随着：
- Windows下：MSVC2010成为主流
- Linux下：GCC升级到4.6
C++中的中文问题 才算有了一个比较优雅的、跨平台的Workaround。
(本文讨论编译器范围：GCC4.6+, MSVC2010sp1+ 。本文属于QString系列，但暂不涉及QString)
C++ 中文问题
要在C++中正确使用中文，必须要了解下面两个概念：
|
源码字符集(the source character set) |
源码文件是使用何种编码保存的 |
|
执行字符集(the execution character set) |
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) |
C++98的问题： 既没有规定源码字符集，也没有规定执行字符集
这个... 如何理解？不妨看个例子
例子
这个要求高么？
- 一个简单的C++程序，只是希望它能在简体中文Windows、正体中文Windows、英文版Windows、Linux、MAC OS...下的结果一致。
//main.cpp
int main()
{
char mystr[] = "老老实实的学问，来不得半点马虎";
return sizeof mystr;
}
可以试着反问自己两个问题
- 这个源码文件是何种编码保存的？(有确定答案么？)
- mystr中是什么内容？(有确定答案么？)
对C++来说，这两个都不确定。
- 固定平台的话，还能忍忍
- 要跨平台的话，这种东西...
GCC
在GCC下，这两个都可以使用你自己喜好的编码(如果不指定，默认都是UTF8)
-finput-charset=charset
-fexec-charset=charset
除了前两个选项外，还有一个：
-fwide-exec-charset=charset
wide? 不妨先猜一下它是干嘛的
MSVC
MSVC没有类似前面的选项。
|
源码字符集如何解决？ |
有BOM么，有则按BOM解释，无则使用本地Locale字符集(随系统设置而变) |
|
执行字符集如何解决? |
使用本地Locale字符集(随系统设置而变) |
挺霸道哈（当然，源码中可以使用#pragma setlocale("...")，但功能很有限，比如Windows没有utf8的locale，所以...）。
另外，和GCC对应的wide-exec-charset呢？
|
宽执行字符集如何解决? |
不妨先考虑一下 |
怎么办?
这才两个编译器，看起来就这么复杂了。而C++编译器的数目远大于2.
要想跨平台，必须确保这两个字符集都是“确定”的，而能胜任该任务的字符集，似乎理想的也只能是...
UTF-8方案
-
如果我们将源码保存成utf8，执行字符集也选为utf8，那么天下将太平了。使用非ASCII字符的源码文件也就可以在不同国家的用户间无障碍流通了 ;-).
源码保存成UTF-8没有什么困难，但是，执行字符集需要是UTF-8。没那么简单
对GCC来说，这个问题很简单(默认的编码选项足够了)：
- 只要源码文件保存成utf8即可(带或不带BOM均可)
- 早期的gcc不接收带BOM的utf8源码文件，现在，至少在GCC4.6中，这一限制不再存在。
对MSVC来说，这个问题异常复杂：
- 对MSVC2003来说，只要源码保存成不带BOM的utf8即可
- 对MSVC2005、(没在SP1基础上装热补丁的)MSVC2008来说。完全没办法
- 直到MSVC2010sp1，才算提供了一个解决方案。源码保存成带BOM的utf8，utf16，...，然后添加
#pragma execution_character_set("utf-8")
要想跨GCC4.6+和MSVC2010sp1+，我们需要取它们的交集：也就是
- 源码保存成带BOM的utf8
-
为MSVC添加#pragma
//main.cpp
#if _MSC_VER >= 1600
#pragma execution_character_set("utf-8")
#endif
int main()
{
char mystr[] = "老老实实的学问，来不得半点马虎";
return sizeof mystr;
}
C++11
等到MSVC支持C++11的String Literals之时，我们就没必要用那个蹩脚的pragma了，直接
char mystr[] = u8"老老实实的学问，来不得半点马虎";
即可(尽管现在在GCC下没问题，但要跨平台，估计要等到Visual C++ 12了)。
有个问题？
C++98中不是有个wchar_t么，它不是用来表示unicode字符的么？
Unicode 4.0标准的5.2节是如何说的：
The width of wchar_t is compiler-specific and can be as small as 8 bits. Consequently, programs that need to be portable across any C or C++ compilershould not use wchar_t for storing Unicode text. The wchar_t type is intended forstoring compiler-defined wide characters, which may be Unicode characters in some compilers.
在回头看看GCC的选项
-fwide-exec-charset=charset
尽管GCC为其提供的默认编码是UTF16或UTF32(取决于wchar_t的宽度)，但该编码是可以随意设置的。
尽管这个东西不保证跨平台，也很不好玩， 但是，由于在windows下面wchar_t用来表示utf16字符，而且直接对应系统API接口，所以在类型char16_t普及之前，还是很重要的。
C++11执行字符集
前面提到的u8就是C++11为“执行字符集”所做的努力之一。
新明确规定了utf8、utf16和utf32这3种执行字符集。
|
char* |
u8"中文" |
|
char16_t* |
u"中文" |
|
char32_t* |
U"中文" |
可是C++11并没有规定源码字符集
const char* mystr=u8"中文";
C++标准对编译器说，我不管这个文件的具体编码是什么，但你必须给我生成对应utf8编码的字节流。
编译器似乎有点傻了吧？不知道源文件的编码，我如何转换
于是：
MSVC说：源码文件必须有BOM，不然我就认为你是本地locale的编码
GCC说：我认为你就是utf8编码，除非通过命令行通知我其他编码
在C++11标准下，对源码编码 简单的处理办法还是，使用带BOM的UTF8保存。
