浅析QStringr的Unicode存储特性(一)

在看Qt相关的文档时，不断看到Qt对于i18n和Unicode的支持如何，一直没有个直观和底层的认识，最近写了些简单的例子，感觉结合实例能更好理解Qt内部对于字符串存储的转换机制。

下面的例子都以"中文"这个简单的字符串作为示例。

编译和调试工具：GCC &GDB
本地locale：zh_CN.UTF-8

字符 '中'，Unicode码值U+4E2D， 对应的UTF-8编码形式为   E4 B8 AD (大端)
字符 “文”, Unicode码值U+6587，  对应的UTF-8编码形式为   E6 A6 87  (大端）

例子1 .不使用Qt，直接用char数组存储字符串

char  buffer[] = " 中文 " ;
cout << buffer << endl;

输出结果：

 

使用gdb查看buffer中存储的值

(gdb) x  / 8xb  & buffer
0xbfa20879 :      0xe4    0xb8    0xad    0xe6    0x96    0x87    0x00      0x20

可以很清楚的观察到此时buffer中存储的就是“中文”对应的UTF-8编码，由于此时输出的字符串和locale采用的是相同的编码格式，因此不会出现乱码形式。

示例2 使用QString存储字符串，并利用QChar看清楚“中文”这个字符串在QString中究竟是如何存储的。

    QString chinese="中文";
    QChar * pch=chinese.data();

上面的QString::data()的作用是返回一个指向所存储数据的QChar *指针，正如Qt的文档中所描述的一样，QString可以看作是QVector<QChar>

下面使用gdb查看pch所指向的区域存储的内容

(gdb) x  / 16xb pch
0x804b192 :       0xe4    0x00    0xb8    0x00    0xad    0x00    0xe6    0x00
0x804b19a :       0x96    0x00    0x87    0x00    0x00    0x00      0x00      0x00

仔细观察，请注意QChar中存放的是16 bit 的Unicode的值；答案很明显，pch指向的区域存放的值依次是 U+00e4，U+00b8，U+00ad，U+00e6，U+0096，U+0087，U+0000这七个Unicode码值。

是不是觉得这个序列看着有些眼熟？对了，这和第一个例子中gdb中查看到的值很相像，确切的说是值相同，不同的是示例1中的每个字节在在示例2中都用2字节来表示——这就是Qt所谓的QString的内部存储使用Unicode的底层含义！

这里，把上面的脉络稍微梳理一下：

首先，我们从示例1中已经知道，源代码中的“中文"在我的实验环境下(locale为zh_CN.UTF-8)被编码为8 bit 的 Ascii 字符串“ 0xe4    0xb8    0xad    0xe6    0x96    0x87    0x00”；

其次，在示例2中定义QString 类型的变量chinese时用"中文"为其初始化，因为QString内部存储采用Unicode，所以每个字符用16 bit来表示，因此0xe4 扩展为 0x00e4, 0xb8扩展为0x00b8,依次类推。

因此，“中文”在QString内部的存储形式就是

0xe4    0x00    0xb8    0x00    0xad    0x00    0xe6    0x00
0x96    0x00    0x87    0x00    0x00    0x00

如何，看了这个简单的例子，是否对Qt的Unicode支持还感觉很模糊呢？