多字节字符集与Unicode字符集

时间：2024-12-08 09:07:08

　　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）。

　　TEXt()：如果定义了Unicode，标识字符为Unicode;否则，为ANSI字符集。在VS2010使用Unicode字符集下：
//    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,,wc,wcslen(wc),NULL,,NULL,NULL);

    m_char=new char[len+];

    WideCharToMultiByte(CP_ACP,,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,,c,strlen(c),NULL,);

    m_wchar=new wchar_t[len+];

    MultiByteToWideChar(CP_ACP,,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;

相关文章