VC++的Unicode编程（一）

VC++的Unicode编程（一）

2007年11月24日 星期六 12:54 P.M.

一、什么是Unicode 　　先从ASCII说起，ASCII是用来表示英文字符的一种编码规范。每个ASCII字符占用1个字节，因此，ASCII编码可以表示的最大字符数是 255（00H—FFH）。其实，英文字符并没有那么多，一般只用前128个（00H—7FH，最高位为0），其中包括了控制字符、数字、大小写字母和其它一些符号。而最高位为1的另128个字符（80H—FFH）被称为“扩展ASCII”，一般用来存放英文的制表符、部分音标字符等等的一些其它符号。 　　这种字符编码规则显然用来处理英文没有什么问题。但是面对中文、阿拉伯文等复杂的文字，255个字符显然不够用。 于是，各个国家纷纷制定了自己的文字编码规范，其中中文的文字编码规范叫做“GB2312— 80” ，它是和ASCII兼容的一种编码规范，其实就是利用扩展ASCII没有真正标准化这一点，把一个中文字符用两个扩展ASCII字符来表示，以区分ASCII码部分。 　　但是这个方法有问题，最大的问题就是中文的文字编码和扩展ASCII码有重叠。而很多软件利用扩展ASCII码的英文制表符来画表格，这样的软件用到中文系统中，这些表格就会被误认作中文字符，出现乱码。 　　另外，由于各国和各地区都有自己的文字编码规则，它们互相冲突，这给各国和各地区交换信息带来了很大的麻烦。 要真正解决这个问题，不能从扩展ASCII的角度入手，而必须有一个全新的编码系统，这个系统要可以将中文、法文、德文……等等所有的文字统一起来考虑，为每一个文字都分配一个单独的编码。 于是，Unicode诞生了。 　　Unicode也是一种字符编码方法，它占用两个字节（0000H—FFFFH）,容纳65536个字符，这完全可以容纳全世界所有语言文字的编码。 在Unicode里，所有的字符被一视同仁，汉字不再使用“两个扩展ASCII”，而是使用“1个Unicode”，也就是说，所有的文字都按一个字符来处理，它们都有一个唯一的Unicode码。 二、使用Unicode编码的好处 　　使用Unicode编码可以使您的工程同时支持多种语言，使您的工程国际化。 　　另外，Windows NT是使用Unicode进行开发的，整个系统都是基于Unicode的。如果调用一个API函数并给它传递一个ANSI（ASCII字符集以及由此派生 并兼容的字符集，如：GB2312，通常称为ANSI字符集）字符串，那么系统首先要将字符串转换成Unicode，然后将Unicode字符串传递给操 作系统。如果希望函数返回ANSI字符串，系统就会首先将Unicode字符串转换成ANSI字符串，然后将结果返回给您的应用程序。进行这些字符串的转 换需要占用系统的时间和内存。如果用Unicode来开发应用程序，就能够使您的应用程序更加有效地运行。 下面例举几个字符的编码以简单演示ANSI和Unicode的区别： 字符 A N 和 ANSI码 41H 4eH cdbaH Unicode码 0041H 004eH 548cH 三、使用C++进行Unicode编程 　　对宽字符的支持其实是ANSI C标准的一部分，用以支持多字节表示一个字符。宽字符和Unicode并不完全等同，Unicode只是宽字符的一种编码方式。 1、宽字符的定义 　　在ANSI中，一个字符（char）的长度为一个字节（Byte）。使用Unicode时，一个字符占据一个字，C++在wchar.h头文件中定义了最基本的宽字符类型wchar_t： typedef unsigned short wchar_t; 从这里我们可以清楚地看到，所谓的宽字符就是无符号短整数。 2、常量宽字符串 　　对C++程序员而言，构造字符串常量是一项经常性的工作。那么，如何构造宽字符字符串常量呢？很简单，只要在字符串常量前加上一个大写的L就可以了，比如： wchar_t *str1=L" Hello"; 这个L非常重要，只有带上它，编译器才知道你要将字符串存成一个字符一个字。还要注意，在L和字符串之间不能有空格。 3、宽字符串库函数 为了操作宽字符串，C++专门定义了一套函数，比如求宽字符串长度的函数是 size_t __cdel wchlen(const wchar_t*); 　　为什么要专门定义这些函数呢？最根本的原因是，ANSI下的字符串都是以’/ 0 ’ 来标识字符串尾的（Unicode字符串以“/0/ 0 ” 结束），许多 字符串函数的正确操作均是以此为基础进行。而我们知道，在宽字符的情况下，一个字符在内存中要占据一个字的空间，这就会使操作ANSI字符的字符串函数无 法正确操作。以”Hello”字符串为例，在宽字符下，它的五个字符是： 0x0048 0x0065 0x 006c 0x 006c 0x 006f 在内存中，实际的排列是： 48 00 65 00 6c 00 6c 00 6f 00 　　于是，ANSI字符串函数，如strlen，在碰到第一个48后的00时，就会认为字符串到尾了，用strlen对宽字符串求长度的结果就永远会是1！ 4、用宏实现对ANSI和Unicode通用的编程 　　可见，C++有一整套的数据类型和函数实现Unicode编程，也就是说，您完全可以使用C++实现Unicode编程。 如果我们想要我们的程序有两个版本：ANSI版本和Unicode版本。当然，编写两套代码分别实现ANSI版本和Unicode版本完全是行得通的。但 是，针对ANSI字符和Unicode字符维护两套代码是非常麻烦的事情。为了减轻编程的负担，C++定义了一系列的宏，帮助您实现对ANSI和 Unicode的通用编程。 　　C++宏实现ANSI和Unicode的通用编程的本质是根据”_UNICODE”（注意，有下划线）定义与否，这些宏展开为ANSI或Unicode字符（字符串）。 如下是tchar.h头文件中部分代码摘抄： #ifdef _UNICODE typedef wchar_t      TCHAR; #define __T(x)      L##x #define _T(x)       __T(x) #else #define __T(x)      x typedef char            TCHAR; #endif 　　 可见，这些宏根据”_UNICODE” 定义与否，分别展开为ANSI或Unicode字符。 tchar.h头文件中定义的宏可以分为两类： A、实现字符和常量字符串定义的宏 我们只列出两个最常用的宏： 宏 未定义_UNICODE(ANSI字符) 定义了_UNICODE(Unicode字符) TCHAR char wchar_t _T(x) x L##x 注意： 　　“##”是ANSI C标准的预处理语法，它叫做“粘贴符号”，表示将前面的L添加到宏参数上。也就是说，如果我们写_T(“Hello”)，展开后即为L“Hello” B、实现字符串函数调用的宏 C++为字符串函数也定义了一系列宏，同样，我们只例举几个常用的宏： 宏 未定义_UNICODE(ANSI字符) 定义了_UNICODE(Unicode字符) _tcschr strchr wcschr _tcscmp strcmp wcscmp _tcslen strlen wcslen