unicode,ANSI,UTF-8的故事

考虑到原文有些长，且结构有些杂乱，自己看完后，进行了局部的删减，希望博主能原谅！并在此对博主表示衷心地感谢！

原文见：http://blog.csdn.net/pizi0475/article/details/5429014

修改后的文章如下：

计算机刚发明时，第一套用于存储英文字符的编码为ASCII编码（American
Standard Code for Information Interchange，美国信息互换标准代码），ASCII编码用0~127表示诸如a~z,A~Z等字符的一套编码方案, ,ASCII是一个真正的美国标准；
    当使用计算机的国家开始增多时，人们发现，许多国家的字母在ASCII编码表里没有，因此扩展了ASCII编码，改为0~255,其中从128到255这一页的字符集被称"扩展字符集"，包括了横线、竖线、交叉等； 
     当计算机被推广至中国等亚洲国家时，人们发现，扩展后的ASCII编码无法表示中国的汉字，聪明的中国人在此基础上制定了符合中国国情的一套编码标准，称为GB2312.

规定：一个小于127的字符的意义与原来相同，但两个大于127的字符连在一起时，就表示一个汉字，前面的一个字节（称之为高字节）从0xA1到0xF7，后面一个字节（称之为低字节）从0xA1到0xFE，这样可以组合出7000多个简体汉字，且把数学符号、罗马希腊的字母、日文的假名们都编进去了，连在 ASCII 里本来就有的数字、标点、字母都统统重新编了两个字节长的编码，这就是常说的"全角"字符，而原来在127号以下的那些就
叫"半角"字符了。然而中国汉字较多，GB2312空间并不够用，于是不再要求低字节一定是127号之后的内码，只要第一个字节是大于127就固定表示这是一个汉字的开始，不管后面跟的是不是扩展字符集里的内容，扩充后的编码方案被称为 GBK 标准，GBK 包括了 GB2312 的所有内容，同时又增加了近20000个新的汉字（包括繁体字）和符号。后来考虑到少数民族的语言文字，于是进一步扩充，GBK扩充后的编码方案为GB18030。GB2312和GBK、GB18030等标准统称为ANSI标准（ANSI规定：一个字符用一个字节或多个字节来表示，如一个汉字用两个字节来表示，一个英文字母用一个字节来表示）（备注：注意区分“字符”与“字节”的不同，“字符”是一个与文化相关的符号，如：汉字或韩文等，而“字符”是一个8位的物理存储单元）如：“宁波大学123”在WindowsXP系统的内存中为11个字节，每个汉字占2个字节，而每个英文字母或数字字符占1个字节。

由于不同的国家语言文字的不同，所以各国所订的编码方案也不同，这就带来了诸多操作系统或软件不兼容的难题。ISO决定着手解决这个问题，他们废了所有的地区性编码方案，重新制定了一个全球通用的编码标准，称为UNICODE（宽字节字符集）。（Universal Multiple-Octet Coded Character Set），（UNICODE规定：一个字符必须要用两个字节来表示，如一个汉字用两个字节来表示，而一个英文字母也必须用两个字节来表示）对于ASCII里的那些“半角”字符，UNICODE 保持其原编码不变，只是将其长度由原来的8位扩展为16位，( eg. ANSI中，’A’=0x43,则对应的UNICODE为 ‘A’= 0x0043 ) 而其他文化和语言的字符则全部重新统一编码。由于"半角"英文符号只需要用到低8位，所以其高8位永远是0，因此这种方案在保存英文文本时会浪费一倍的空间。其中，希腊字母表使用从0x0370到0x03FF的代码，斯拉夫语使用从0x0400到0x04FF的代码，美国使用从0x0530到0x058F的代码，希伯来语使用从0x0590到0x05FF的代码。中国、日本和韩国的象形文字（总称为CJK）占用了从0x3000到0x9FFF的代码。

然而不幸的是，UNICODE 被制订时没有考虑与任何一种现有的编码方案保持兼容，这使得GBK 或GB18030与UNICODE 在汉字的内码编排上完全不一样，没有一种简单的算术方法可以把文本内容从UNICODE编码和另一种编码进行转换，这种转换必须通过查表来进行。由于UNICODE 是用两个字节来表示为一个字符，因此共可以组合65535种不同
的字符，如果还不够也没有关系，ISO已经准备了UCS-4方案，说简单了就是四个字节来表示一个字符，这样我们就可以组合出21亿个不同的字符出来（最高位有其他用途），这大概可以用到银河联邦成立那一天吧！

随着计算机网络的兴起，UNICODE 如何在网络上传输也是一个必须考虑的问题，于是面向传输的UTF（UCS Transfer Format）标准出现了，UTF8就是一次传输8位，而UTF16就是一位传输16位，为了传输的可靠性，从UNICODE到UTF时并不是直接的对应，而是要通过一些算法和规则来转换。
     下面讲个小故事。

当你在 windows 的记事本里新建一个文件，输入"联通"两个字之后，保存，关闭，然后再次打开，你会发现这两个字已经消失了，代之的是几个乱码！其实这是因为GB2312编码与UTF8编码产生了编码冲突的原因。
从Unicode到UTF-8的编码方式如下：
Unicode编码(16进制)UTF8 字节流(二进制)
0000 - 007F   0xxxxxxx
0080 - 07FF   110xxxxx 10xxxxxx
0800 - FFFF   1110xxxx 10xxxxxx 10xxxxxx

例如"汉"字的Unicode编码是6C49。6C49在0800-FFFF之间，所以要用3字节模板：1110xxxx 10xxxxxx 10xxxxxx。将6C49写成二进制是：0110 1100 0100 1001，将这个比特流按三字节模板的分段方法分为0110 110001 001001，依次代替模板中的x，得到：1110-0110 10-110001 10-001001，即E6 B1 89，这就是其UTF8的编码。
而当你新建一个文本文件时，记事本的编码默认是ANSI, 如果你在ANSI的编码输入汉
字，实际就是GB系列的编码方式，在这种编码下，"联通"的内码是：
c1 1100 0001
aa 1010 1010
cd 1100 1101
a8 1010 1000

（备注：此处涉及到了字符内码，解释如下：

字符内码(charcter code)指的是用来代表字符的内码，用户在输入和存储文档时都要使用内码,内码分为
    单字节内码 -- Single-Byte character sets (SBCS),可以支持256个字符编码.
    双字节内码 -- Double-Byte character sets)(DBCS),可以支持65000个字符编码.
前者即为ASCII编码，后者为ANSI）
    注意到了吗？第一二个字节、第三四个字节的起始部分的都是"110"和"10"，正好与
UTF8规则里的两字节模板是一致的，于是再次打开记事本时，记事本就误认为这是
一个UTF8编码的文件，让我们把第一个字节的110和第二个字节的10去掉，我们就得
到了"00001 101010"，再把各位对齐，补上前导的0，就得到了"0000 0000 0110 1010"，
不好意思，这是UNICODE的006A，也就是小写的字母"j"，而之后的两字节用UTF8解
码之后是0368，这个字符什么也不是。这就是只有"联通"两个字的文件没有办法在记
事本里正常显示的原因。 而如果你在"联通"之后多输入几个字，其他的字的编码不见得又恰好是110和1开始的字节，这样再次打开时，记事本就不会坚持这是一个UTF8编码的文件，而会用ANSI的方式解读之，这时乱码又不出现了。

UNICODE环境设置
在安装Visual Studio时，在选择VC++时需要加入unicode选项，保证相关的库文件可以拷贝到system32下。

UNICODE编译设置
C/C++, Preprocessor difinitions 去除_MBCS，加_UNICODE,UNICODE
在ProjectSetting/link/output 中设置Entry为wWinMainCRTStartup
反之为MBCS（ANSI）编译。

Windows CE 本身就是使用UNICODE的一种操作系统，完全不支持ANSI Windows函数
Windows 98 只支持ANSI，只能为ANSI开发应用程序。
Microsoft公司将COM从16位Windows转换成Win32时，公司决定需要字符串的所有COM接口方法都只能接受Unicode字符串。

如何编写Unicode源代码？
Microsoft公司为Unicode设计了WindowsAPI，这样，可以尽量减少代码的影响。实际上，可以编写单个源代码文件，以便使用或者不使用Unicode来对它进行编译。只需要定义两个宏（UNICODE和_UNICODE），就可以修改然后重新编译该源文件。
_UNICODE宏用于C运行期头文件，而UNICODE宏则用于Windows头文件。当编译源代码模块时，通常必须同时定义这两个宏。

以下几点在编写MFC程序时较实用：

Windows定义的Unicode数据类型有哪些？
数据类型           说明
WCHAR           Unicode字符  （W为Wide）
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

如何区别Unicode和ANSI函数？
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
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作了如下定义：
#ifdef UNICODE
#define CreateWindowEx CreateWindowExW
#else
#define CreateWindowEx CreateWindowExA
#endif  

如何表示Unicode字符串常量？
字符集                       实例
ANSI                                        “string”
Unicode                                    L“string”
ANSI/Unicode               _T(“string”)或TEXT(“string”)

如何编写符合ANSI和Unicode的应用程序？
（1） 将文本串视为字符数组，而不是chars数组或字节数组;
（2） 将通用数据类型（如TCHAR和PTSTR）用于文本字符和字符串;
（3） 将显式数据类型（如BYTE和PBYTE）用于字节、字节指针和数据缓存;
（4） 将TEXT宏用于原义字符和字符串;
（5） 执行全局性替换（例如用PTSTR替换PSTR）;
（6） 修改字符串运算问题。例如函数通常希望在字符中传递一个缓存的大小，而不是字节。这意味着不应该传递sizeof(szBuffer),而应该传递（sizeof(szBuffer)/sizeof(TCHAR)。另外，如果需要为字符串分配一个内存块，并且拥有该字符串中的字符数目，那么请记住要按字节来分配内存。这就是说，应该调用 malloc(nCharacters *sizeof(TCHAR)),而不是调用malloc(nCharacters)。

如何在Unicode与ANSI之间转换字符串？
Windows函数MultiByteToWideChar用于将多字节字符串转换成宽字符串；函数WideCharToMultiByte将宽字符串转换成等价的多字节字符串。

衍生标准UTF-8 / UTF-16
UTF-8标准是Unicode标准的一种变形方式， UTF的全称是：Unicode/UCS Transformation Format，常用的有两种，UTF-8和UTF-16, 其中UTF-8的规则已在本文的上半部分中讲解到，此处略，UTF-16和UTF-8类似，只是每次传递的位数是UTF-8的两倍而已。

 

关于TCHAR

开发ANSI程序时，TCHAR被定义为char;

开发UNICODE 程序时，TCHAR 被定义为wchar_t(16 位) ；