宽字符和窄字符的一个坑

学习Windows编程的时候，遇到字符串处理会让人非常抓狂，当然问题的根本还是自己学艺不精，不过还是得吐槽一下，造成这一局面的原因是规则变化多端而又有点不可捉摸，这不，最近就掉到坑里面去了。

先看看下面的这段代码：

int main(int argn,char* argv[])
{
    char strA[]="ABC 简体中文";
    wchar_t strW[]=L"ABC 简体中文";
    printf("%s\n",strA);
    wprintf(L"%s\n",strW);
    return 0;
}

猜猜看，输出是什么？在我的电脑上（程序使用VS2010编译通过，Windows 7操作系统，简体中文版）运行的结果是这样的：

第一个还好好地，怎么第二个会出现三个问号？

调试一下试试看，在return 0前面下断点，然后查看内存：

这个是strA在内存中的值：41 42 43 20 bc f2 cc e5 d6 d0 ce c4 00

而strW则是：41 00 42 00 43 00 20 00 80 7b 53 4f 2d 4e 87 65 00 00

首先，我们知道char类型占一个字节，而wchar_t则是占两个字节，前面的41,42,43,20就是分别’A’，’B’，’C’和’ ‘（空格），这里表明，宽字符采用的是Little-Endian方式存放两个字节的，接下来我们把重点都放在汉字上面。

在strA中，表示汉字“简体中文”数据为bc f2 cc e5 d6 d0 ce c4，而在strW则是80 7b 53 4f 2d 4e 87 65，差别很大，为什么是这样呢？

这其中涉及到了编码的问题。char类型中出现的汉字，采用的是GB2312的编码规则，查询该编码表，可以发现，“简”字的编码为BCF2，“体”为CCE5，“中”为D6D0，而“文”则为CEC4，这就是strA中中文的表示方式，但是在宽字符strW中，采用的编码则是Unicode编码，在Windows平台下Unicode编码值就是UTF-16编码值。查询“简体中文”四个汉字的编码，可以发现是7B80 4F53 4E2D 6587，由于计算机的架构为Little-Endian，需要把高低位字节互换，这也就是宽字符的表示形式。

根据网页上的说明（参考这里）C/C++标准只是声明wchar_t是一个可以表示字符集中的任意一个字符的足够宽的变量类型。wchar_t可以用任何encoding编码方式来存储这个字符，如ANSI、UCS-2或者UCS-4, 甚至是SCU-128，只不过我们通常是用unicode编码方式。wchar_t是与实现相关的。所以为了可移植性，我们不能假定wchar_t的编码方式，然后根据编码方式做一些相关性操作，我们只能理解它为一个足够宽的字符类型。

最后，我们还能顺便发现，wprintf函数在处理文本输出的时候，并不处理编码问题，而是直接按多字节字符顺序输出。

好，现在问题的原因找到了，那么该如何解决问题呢？

Windows当然不会没有想到这个问题，在Windows中，提供了如下两个函数：WideCharToMultiByte和MultiByteToWideChar，他们都位于头文件winnls.h中，分别是将宽字符转化为多字节和将多字节转化为宽字符。下面的例子直接给出了转化的代码，函数的具体使用方法可以翻阅MSDN。

int main(int argn,char* argv[])
{
    wchar_t strW[]=L"ABC 简体中文";
    char* pW2A;
    int t=0;
    //第一次，确定需要的字节数
    t=WideCharToMultiByte(CP_ACP,0,strW,-1,NULL,0,NULL,FALSE);
    if(t!=0)
    {
        pW2A=(char*)malloc(t);//分配内存，然后运行第二次，注意参数区别
        WideCharToMultiByte(CP_ACP,0,strW,-1,pW2A,t,NULL,FALSE);
        printf("%s\n",pW2A);
        free(pW2A);
    }
    return 0;
}

这回显示就没有什么问题了，长舒一口气，暂时从坑里面爬出来了。