语言 字符集 正式名称 英语、西欧语 ASCII，ISO-8859-1 MBCS 多字节 简体中文 GB2312 MBCS 多字节 繁体中文 BIG5 MBCS 多字节 简繁中文 GBK MBCS 多字节 中文、日文及朝鲜语 GB18030 MBCS 多字节 各国语言 UNICODE，UCS DBCS 宽字节 2. 如何判断字符集 2.1 字节序 首先说一下字节序对编码的影响，字节序分为Big Endian字节序和Little Endian字节序。不同的处理器可能不一样。所以，传输时需要告诉处理器当时的编码字节序。对于前者而言，高位字节存在低地址，低字节存于高地址；后者相反。例如，0X03AB, Big Endian字节序是 0000: 0 3 0001: AB Little Endian字节序是 0000: AB 0001: 0 3 2.2 编码识别 · UNICODE 根据前几个字节可以判断UNICODE字符集的各种编码，叫做Byte Order Mask方法BOM： UTF-8: EFBBBF (符合UTF-8格式，请看上面。但没有含义在UCS即UNICODE中) UTF-16 Big Endian：FEFF (没有含义在UCS-2中) UTF-16 Little Endian：FFFE (没有含义在UCS-2中) UTF-32 Big Endian：0000FEFF (没有含义在UCS-4中) UTF-32 Little Endian：FFFE0000 (没有含义在UCS-4中) · GB2312 高字节和低字节的第1位都是1。 · BIG5，GBK&GB18030 高字节的第1位为1。操作系统有默认的编码，常为GBK，可以下载别的并升级。通过判断高字节的第1位从而知道是ASCII或者汉字编码。 3. 编程：各字符集编码的读取 注意，下面的例子都会用到这个文件，读取这个文件。在Encodeing 选项中可以选择ASCII编码、UTF-8、UNICODE Big Endian、UNICODE Little Endian。其中，ASCII编码包括：ASCII、ISO-8859-1、GB2312、BIG5、GBK等在ASCII基础上扩展的编码。当选用ASCII编码保存时，系统会调用默认的一种ASCII编码方式，一般的中文系统使用GB2312或GBK。可以通过更改控制面板中的语言选项更改。 3.1 读取 ASCII 编码 选择ASCII编码保存文件，文件内容是：您好, Ye Ming! C++程序读取并显示如下： FILE *myfile=fopen("CharsetExample.txt","rb"); char a[100]; fgets(a,100,myfile); printf("字节数=%d/n",strlen(a)); printf("16进制值="); for(int i=0;i<strlen(a);i++) printf("%hhx/t",a[i]); printf("/n字符串输出=%s/n",a); 结果输出： 字节数=13 16进制值=c4 fa ba c3 2c 59 65 20 4d 69 6e 67 21 字符串输出=您好，Ye Ming！ 您=c4fa, 好=bac3，其它只占一个字节。printf函数发现字节的第1位是1时，会继续联合下一个字节按照默认的ASCII编码如GB2312显示汉字。 为了测试一下系统能否显示繁体中文字，将文本更改为： 案與產品 保存为ASCII编码，然后运行程序。结果可以显示出来，说明系统用GBK或BIG5解码了。在控制面板把BIG5去掉，还能正常显示，说明系统默认的是GBK解码。 注解 1 ：文本是按字节读，二进制是按逻辑单位读；这个例子用二进制读和用文本读的结果是一样的，因为逻辑单位char是1个字节的。 3.2 读取 UTF-8 编码 选择UTF-8编码保存文件，文件内容是：您好, Ye Ming! C++程序读取并显示如下： FILE *myfile=fopen("CharsetExample.txt","rb"); char a[100]; fgets(a,100,myfile); printf("字节数=%d/n",strlen(a)); printf("16进制值="); for(int i=0;i<strlen(a);i++) printf("%hhx/t",a[i]); printf("/n字符串输出=%s/n",&a[3]); 结果输出： 字节数=18 16进制值= ef bb bf e6 82 a8 e5 a5 bd 2c 59 65 20 4d 69 6e 67 21 字符串输出=乱码，Beijing！ 其中，ef bb bf 是UTF-8的头标识；您=e6 82 a8，好=e5 a5 bd。 其他是单字节的ASCII码。 输出字符串时要去掉前三个字节。但是，还是出现了乱码! 之所以出现乱码，是因为系统按默认的GB2312去解UTF-8的码，所以在库里找不到或找不对对应的汉字，所以出现3个乱码，因为按两两组合所以有3个乱码。 3.3 读取 UTF-16 Big Endian 选择UTF-8编码保存文件，文件内容是：您好, Ye Ming! C++程序读取并显示如下： FILE *myfile=fopen("CharsetExample.txt","rb"); char a[100]; fgets(a,100,myfile); printf("字节数=%d/n",strlen(a)); printf("16进制值="); for(int i=0;i<strlen(a);i++) printf("%hhx/t",a[i]); printf("/n字符串输出=%s/n",&a[2]); 结果输出： 字节数=6 16进制值= fe ff 60 a8 59 7d 字符串输出=三个符号 其中，fe ff 是UTF-16 Big Endian的头标识；60是可以输出的，a859输出乱码，7d是可以输出的。输出字符串时要去掉前两个字节。 理论上字节数应该是2+11*2=24。可是，输出为什么只有6呢？在UTF-16中，每个字符都用两个字节表示，而ASCII符号只用一个字节，高位用0表示，所以，当遇到0后，strlen认为串结束了。这就是UTF-16的缺点，前面提到过。 将程序的一句更改后： for(int i=0;i<24;i++) 16进制值= fe ff 60 a8 59 7d 0 2c 0 59…… 同样，字符串仍然无法显示。 3.4 读取 UTF-16 Little Endian 文本文件用UTF-16 Little Endian编码时，其输出结果是： 16进制值= ff fe a8 60 7d 59 2c 0 59 0 …… 4. 编程：各字符集编码的显示 4.1 直接显示 由于中文系统默认的编码是中文编码，一般是GBK。所以，ASCII编码的显示没有问题。但是，遇到UNICODE编码就会有问题了，如上面的例子，显示会出现乱码。 接下来本文介绍一种读取UNICODE文件并正确显示中文的方法。 4.1.1 文件编码为 UNICODE Big Endian 本件保存为UNICODE Big Endian，文本=您好, Ye Ming! · 错误：按文本方式读 读文本程序如下： FILE *myfile; wchar_t *name=L"CharsetExample.txt"; myfile=_wfopen(name,L"rt"); fseek(myfile,0,0); wchar_t buffw[100]; fgetws(buffw,100,myfile); printf("字节数=%d/n",wcslen(buffw)); printf("16进制值="); for(int i=0;i<wcslen(buffw);i++) printf("%hhx/t",buffw[i]); //设置本地化信息，.936是简体中文的Code Page。wcout需要依靠它决定将宽字符按什么编码显示 setlocale(LC_ALL, ".936"); printf("/n字符串输出="); wcout<<buffw+1<<endl; 结果如下： 字节数=6 16进制值= fe ff 60 a8 59 7d 字符串输出=’”Y} 文本是按UNICODE编码的，每个字符是两字节，ASCII字符高位用0代替。按文本方式打开文件读时，是按字节的读写，一个字节就存进了两个字节大小的结构wchar_t中。遇到0时，它认为文件已经结束，停止操作。 · 正确：按二进制方式读 读文本程序如下： 将myfile=_wfopen(name,L"rt")改为myfile=_wfopen(name,L"rb"); 结果如下： 字节数=12 16进制值= fffe a860 7d59 2c00 5900…. 字符串输出=乱码 这一次二进制结果是对的，但是，为什么还是乱码呢？问题出在wcout函数上，x86是按照Little Endian字节序处理数据的，它将2c00处理了而不是002c。我们看一下如果文本保存为UNICODE Little Endian, 会怎么样? 4.1.2 文件编码为 UNICODE Little Endian 本件保存为UNICODE Little Endian，文本=您好, Ye Ming! · 错误：按文本方式读 基本同上，故略。 · 正确：按二进制方式读 将myfile=_wfopen(name,L"rt")改为myfile=_wfopen(name,L"rb"); 结果如下： 字节数=12 16进制值= feff 60a8 597d 2c 59…. 字符串输出=您好, Ye Ming! 输出正确，^_^。 4.1.3 文件编码为 UTF-8 对于UTF-8而言，UTF-8的编码其实不属于宽字符，它还是MBCS。wcout函数只能显示宽字符，不能够正确显示它的编码，所以输出为乱码或空。 4.2 编码转换后显示 4.2.1 文件编码为 UNICODE Big Endian 由于字节序的问题，需要转换成Little Endian 才能正确显示，因为x86系列用的是Little Endian。转换后，请用下面小节的方法显示。 4.2.2 文件编码为 UNICODE Little Endian 读文件程序如下： FILE *myfile; wchar_t *name=L"CharsetExample.txt"; myfile=_wfopen(name,L"rb"); fseek(myfile,0,0); wchar_t buffw[100]; fgetws(buffw,100,myfile); printf("字节数=%d/n",wcslen(buffw)); printf("16进制值="); for(int i=0;i<wcslen(buffw);i++) printf("%hhx/t",buffw[i]); //宽字符转换成多字节，第一个参数是Code Page，windows定义了若干Code Page，用来处理不同语言编码的。CP_ACP是ASCII编码，这里主要是求出转换后的字节数。Buffw+1主要是去掉头标记 feff。 UNICODE à ASCII 编码 int len = WideCharToMultiByte( CP_ACP, 0, buffw+1, wcslen(buffw+1), NULL, NULL, NULL, NULL ); LPSTR lpsz = new CHAR[len+1]; //下面才是真正的转换。 WideCharToMultiByte( CP_ACP, 0, buffw+1, wcslen(buffw+1), lpsz, len, NULL,NULL ); printf("%d",len); lpsz[len]='/0'; printf("/n%s/n",lpsz); 结果如下： 字节数=12 16进制值=feff 60a8 597d 2c 59…. 字符串输出=您好, Ye Ming! 转换完后，系统函数printf会按照系统默认编码显示出来。 4.2.3 文件编码为 UTF-8 文件保存为UTF-8，有两种情况： · 错误：按宽字符存取 程序如下： FILE *myfile; wchar_t *name=L"CharsetExample.txt"; myfile=_wfopen(name,L"rb"); fseek(myfile,3,0); wchar_t buffw[100]; fgetws(buffw,100,myfile); printf("字节数=%d/n",wcslen(buffw)); printf("16进制值="); for(int i=0;i<wcslen(buffw);i++) printf("%hhx/t",buffw[i]); ……………. 结果如下： 字节数=7 16进制值=82e6 e5a8 bda5 592c 2065 694d 676e 可以看出，16进制值缺了21，这就是感叹号的ASCII值。当以fgetws读取文件时，21落单了，所以不能读进wchar_t。 · 正确：按字节存取 程序如下： FILE *myfile; wchar_t *name=L"CharsetExample.txt"; myfile=_wfopen(name,L"rb"); fseek(myfile,3,0); char buff[100]; //取得所有UTF-8字节 fgets(buff,100,myfile); printf("字节数=%d/n",strlen(buff)); printf("16进制值="); for(int i=0;i<strlen(buff);i++) printf("%hhx/t",buff[i]); 第一步， UTF-8 à UNICODE 由于从UTF-8不能直接转换为ASCII编码，必须以UNICODE为跳板；这里用到参数CP_UTF8，因为我们是将UTF-8转换为UNICODE，注意：WideChar在本函数中指的肯定是UNICODE。 int num=MultiByteToWideChar(CP_UTF8,NULL,buff,-1,NULL,NULL); wchar_t *buffw2=new wchar_t[num]; MultiByteToWideChar(CP_UTF8,NULL,buff,-1,buffw2,num); 第二步， UNICODE à ASCII 编码 这个函数跟之前用过了。 int len = WideCharToMultiByte( CP_ACP, 0, buffw2, num, NULL, NULL, NULL, NULL ); LPSTR lpsz = new CHAR[len+1]; WideCharToMultiByte( CP_ACP, 0, buffw2, num, lpsz, len, NULL, NULL ); lpsz[len]='/0'; printf("/n字符串输出="); printf("%s/n",lpsz); 结果如下： 字节数=15 16进制值=e6 82 a8 e5 a5 bd 2c 59 65 20 4d 69 6e 67 21 字符串输出=您好, Ye Ming! 结果正确，*_*。 4.3 转换编码的另外一种方法 · mbstowcs char *ccname="我们"; wchar_t * wwname=new wchar_t[2]; //依赖于Locale而不是Code Page setlocale(LC_CTYPE,"chs"); mbstowcs(wwname,ccname,2); wcout<<wwname<<endl; · wcstombs wchar_t *wname=L"叶明"; char * cname=new char[4]; setlocale(LC_TIME,"chs"); wcout<<wname<<endl; wcstombs(cname,wname,4); printf("%s/n",cname); 5. 思考字符集编码对软件的影响 请参考本人另外一篇文章： UNICODE 编码对软件编程的影响。 6. 常用参数 · ASCII码参照表 Code Page 参数 下面是部分的Code Page: CP0 ASCII CP932 Shift-JIS CP936 GBK CP950 Big5 CP20936 GB2312 CP65001 UTF-8 CP65000 UTF-7 Locale 参数 由于国家和本地习惯的不同，在处理文字、日期、数字、货币格式等问题都会有所不同，Locale就是用来解决这个问题。 C语言的Locale定义，分为以下几类： LC_ALL：代表所有的locale LC_CTYPE：用来处理文字编码 LC_MESSAGES：信息的显示，你可能会在这样一个目录看到大量的mo文件 LC_TIME：时间格式 LC_NUMERIC：数字格式 LC_MONETARY：货币格式 LC_COLLATE：字母顺序和特殊字符的比较 其中比较重要的是： 字符编码LC_CTYPE和本地化的信息显示LC_MESSAGES 。 设置Locale举例如下： setLocale(LC_ALL, "chs") 值可取下面值： zh_CN.utf8 chs Chinese-simplified ZHI
.936
Windows定义的Unicode数据类型有哪些？
数据类型 说明
WCHAR Unicode字符
PWSTR 指向Unicode字符串的指针
PCWSTR 指向一个恒定的Unicode字符串的指针
对应的ANSI数据类型为CHAR，LPSTR和LPCSTR。
ANSI/Unicode通用数据类型为TCHAR，PTSTR,LPCTSTR。
6. 如何对Unicode进行操作？
字符集 特性 实例
ANSI 操作函数以str开头 strcpy
Unicode 操作函数以wcs开头 wcscpy
MBCS 操作函数以_mbs开头 _mbscpy
ANSI/Unicode 操作函数以_tcs开头 _tcscpy(C运行期库)
ANSI/Unicode 操作函数以lstr开头 lstrcpy(Windows函数)
所有新的和未过时的函数在Windows2000中都同时拥有ANSI和Unicode两个版本。ANSI版本函数结尾以A表示；Unicode版本函数结尾以W表示。Windows会如下定义：
#ifdef UNICODE
#define CreateWindowEx CreateWindowExW
#else
#define CreateWindowEx CreateWindowExA
#endif // !UNICODEMultiByteToWideChar的与WideCharToMultiByte的参数详解
