C++ 编译器对字符编码的要求和处理方式

http://blog.csdn.net/dbzhang800/article/details/7540905

• 长期以来，很多人都清楚，一旦C++源码中直接使用了中文，这样的源码想要跨平台(I18N)会非常困难。

随着：

• Windows下：MSVC2010成为主流
• Linux下：GCC升级到4.6

C++中的中文问题 才算有了一个比较优雅的、跨平台的Workaround。

(本文讨论编译器范围：GCC4.6+, MSVC2010sp1+ 。本文属于QString系列，但暂不涉及QString)

C++ 中文问题

要在C++中正确使用中文，必须要了解下面两个概念：

源码字符集(the source character set)	源码文件是使用何种编码保存的
执行字符集(the execution character set)	可执行程序内保存的是何种编码(程序执行时内存中字符串编码)

C++98的问题： 既没有规定源码字符集，也没有规定执行字符集

这个... 如何理解？不妨看个例子

例子

这个要求高么？

• 一个简单的C++程序，只是希望它能在简体中文Windows、正体中文Windows、英文版Windows、Linux、MAC OS...下的结果一致。

//main.cpp
int main()
{
    char mystr[] = "老老实实的学问，来不得半点马虎";
    return sizeof mystr;
}

可以试着反问自己两个问题

• 这个源码文件是何种编码保存的？(有确定答案么？)
• mystr中是什么内容？(有确定答案么？)

对C++来说，这两个都不确定。

• 固定平台的话，还能忍忍
• 要跨平台的话，这种东西...

GCC

在GCC下，这两个都可以使用你自己喜好的编码(如果不指定，默认都是UTF8)

-finput-charset=charset
-fexec-charset=charset

除了前两个选项外，还有一个：

-fwide-exec-charset=charset

wide? 不妨先猜一下它是干嘛的

MSVC

MSVC没有类似前面的选项。

源码字符集如何解决？	有BOM么，有则按BOM解释，无则使用本地Locale字符集(随系统设置而变)
执行字符集如何解决?	使用本地Locale字符集(随系统设置而变)

挺霸道哈（当然，源码中可以使用#pragma setlocale("...")，但功能很有限，比如Windows没有utf8的locale，所以...）。

另外，和GCC对应的wide-exec-charset呢？

宽执行字符集如何解决?

不妨先考虑一下

怎么办?

这才两个编译器，看起来就这么复杂了。而C++编译器的数目远大于2.

要想跨平台，必须确保这两个字符集都是“确定”的，而能胜任该任务的字符集，似乎理想的也只能是...

UTF-8方案

• 如果我们将源码保存成utf8，执行字符集也选为utf8，那么天下将太平了。使用非ASCII字符的源码文件也就可以在不同国家的用户间无障碍流通了 ;-).

源码保存成UTF-8没有什么困难，但是，执行字符集需要是UTF-8。没那么简单

对GCC来说，这个问题很简单(默认的编码选项足够了)：

• 只要源码文件保存成utf8即可(带或不带BOM均可)
• 早期的gcc不接收带BOM的utf8源码文件，现在，至少在GCC4.6中，这一限制不再存在。

对MSVC来说，这个问题异常复杂：

• 对MSVC2003来说，只要源码保存成不带BOM的utf8即可
• 对MSVC2005、(没在SP1基础上装热补丁的)MSVC2008来说。完全没办法
• 直到MSVC2010sp1，才算提供了一个解决方案。源码保存成带BOM的utf8，utf16，...，然后添加

#pragma execution_character_set("utf-8")

要想跨GCC4.6+和MSVC2010sp1+，我们需要取它们的交集：也就是

• 源码保存成带BOM的utf8

• 为MSVC添加#pragma

//main.cpp

#if _MSC_VER >= 1600
#pragma execution_character_set("utf-8")
#endif

int main()
{
    char mystr[] = "老老实实的学问，来不得半点马虎";
    return sizeof mystr;
}

C++11

等到MSVC支持C++11的String Literals之时，我们就没必要用那个蹩脚的pragma了，直接

    char mystr[] = u8"老老实实的学问，来不得半点马虎";

即可(尽管现在在GCC下没问题，但要跨平台，估计要等到Visual C++ 12了)。

有个问题？

C++98中不是有个wchar_t么，它不是用来表示unicode字符的么？

Unicode 4.0标准的5.2节是如何说的：

The width of wchar_t is compiler-specific and can be as small as 8 bits. Consequently, programs that need to be portable across any C or C++ compilershould not use wchar_t for storing Unicode text. The wchar_t type is intended forstoring compiler-defined wide characters, which may be Unicode characters in some compilers.

在回头看看GCC的选项

-fwide-exec-charset=charset

尽管GCC为其提供的默认编码是UTF16或UTF32(取决于wchar_t的宽度)，但该编码是可以随意设置的。

尽管这个东西不保证跨平台，也很不好玩， 但是，由于在windows下面wchar_t用来表示utf16字符，而且直接对应系统API接口，所以在类型char16_t普及之前，还是很重要的。

C++11执行字符集

前面提到的u8就是C++11为“执行字符集”所做的努力之一。

新明确规定了utf8、utf16和utf32这3种执行字符集。

char*	u8"中文"
char16_t*	u"中文"
char32_t*	U"中文"

可是C++11并没有规定源码字符集

const char* mystr=u8"中文";

C++标准对编译器说，我不管这个文件的具体编码是什么，但你必须给我生成对应utf8编码的字节流。

编译器似乎有点傻了吧？不知道源文件的编码，我如何转换

于是：

MSVC说：源码文件必须有BOM，不然我就认为你是本地locale的编码

GCC说：我认为你就是utf8编码，除非通过命令行通知我其他编码

在C++11标准下，对源码编码 简单的处理办法还是，使用带BOM的UTF8保存。

UTF—8与UTF—8（无bom）格式相比有什么不同

BOM——Byte Order Mark，就是字节序标记


在UCS 编码中有一个叫做"ZERO WIDTH NO-BREAK SPACE"的字符，它的编码是FEFF。而FFFE在UCS中是不存在的字符，所以不应该出现在实际传输中。UCS规范建议我们在传输字节流前，先传输字符"ZERO WIDTH NO-BREAK SPACE"。这样如果接收者收到FEFF，就表明这个字节流是Big-Endian的；如果收到FFFE，就表明这个字节流是Little-Endian的。因此字符"ZERO WIDTH NO-BREAK SPACE"又被称作BOM。


UTF-8不需要BOM来表明字节顺序，但可以用BOM来表明编码方式。字符"ZERO WIDTH NO-BREAK SPACE"的UTF-8编码是EF BB BF。所以如果接收者收到以EF BB BF开头的字节流，就知道这是UTF-8编码了。


UTF-8编码的文件中，BOM占三个字节。如果用记事本把一个文本文件另存为UTF-8编码方式的话，用UE打开这个文件，切换到十六进制编辑状态就可以看到开头的FFFE了。这是个标识UTF-8编码文件的好办法，软件通过BOM来识别这个文件是否是UTF-8编码，很多软件还要求读入的文件必须带BOM。可是，还是有很多软件不能识别BOM。

参考

• http://gcc.gnu.org/onlinedocs/cpp/Character-sets.html#Character-sets

• http://support.microsoft.com/kb/980263

[C/C++] 各类C/C++编译器对UTF-8源码文件的兼容性测试（VC、GCC、BCB）

Admin
2012年7月27日

名人名言：迎着阳光开放的花朵才美丽，伴着革命理想的爱情才甜蜜。——莫贵英 

作者：zyl910

　　在不合平台上开辟C/C++法度时，为了避免源码文件乱码，得采取UTF-8编码来存储源码文件。然则很多编译器对UTF-8源码文件兼容性不佳，于是我做了一些测试，解析了最佳保存规划。

一、测试法度

　　为了测试编译器对UTF-8源码文件兼容性，我编写了如许的一个测试法度——

//＃if _MSC_VER >= 1600    // VC2010

//＃pragma execution_character_set（"utf-8"）

//＃endif



＃include <stdio.h>

＃include <locale.h>

＃include <string.h>

＃include <wchar.h>



char* psa = "\u4e00字A";

wchar_t* pdw = L"\u4e00字W";



int main（int argc， char* argv[]）

{

    char* pa;

    wchar_t* pw;



    setlocale（LC_ALL， ""）;    // 应用体系当前代码页.



    // char

    printf（"len<％d>=％d，str=％s\t//"， sizeof（char）， strlen（psa）， psa）;

    for（pa=psa; *pa!=0; ++pa）    printf（" ％.2X"， （unsigned char）*pa）;

    printf（"\n"）;

    

    // wchar_t

    printf（"len<％d>=％d，str=％ls\t//"， sizeof（wchar_t）， wcslen（pdw）， pdw）;

    for（pw=pdw; *pw!=0; ++pw）    printf（" ％.4X"， （unsigned int）*pw）;

    printf（"\n"）;



    return 0;

}

 

　　若是体系默认编码是GB2312（如中文Windows体系），该法度的输出成果应是——
len<1>=5，str=一字A // D2 BB D7 D6 41
len<2>=3，str=一字W // 4E00 5B57 0057

　　若是体系默认编码是UTF-8（如Linux体系），该法度的输出成果应是——
len<1>=7，str=一字A // E4 B8 80 E5 AD 97 41
len<4>=3，str=一字W // 4E00 5B57 0057

　　注：
1. “len”旁尖括号内的是字符类型的宽度。char类型一般是1字节。而wchar_t类型跟编译器与操纵体系有关，Windows平台下一般2字节，Linux平台下一般4字节。
2. “len<？>=”右侧的数字是字符个数。用char类型，一个汉字的GB2312编码是2个字符，一个汉字的UTF-8编码一般是3个字符。而对于wchar_t类型，一个汉字一般是1个字符。
3. “str=”右侧的是所显示的字符串。
4. “//”右侧用于显示每一个字符的值。

二、测试成果

　　须要测试这些方面——
1. 分别测试不合操纵体系下的多种编译器。
2. 无签名的UTF-8与带签名的UTF-8。UTF-8存储规划分别有两种，一是无签名的UTF-8，另一是带签名的UTF-8，这两种规划的差别是——是否存在签名字符（BOM）。
3. 履行字符集。VC2010增长了“＃pragma execution_character_set（"utf-8"）”，指导char的履行字符集是UTF-8编码。

　　按照上方的请求，制订好了测试项目，分别有Window平台下的测试与Linux平台下的测试。
　　Window平台下的测试有——
[VC6， noBOM]：VC6.0 sp1，源码应用无签名的UTF-8编码。
[VC6， BOM]：VC6.0 sp1，源码应用带签名的UTF-8编码。
[VC2003， noBOM]：VC2003 sp1，源码应用无签名的UTF-8编码。
[VC2003， BOM]：VC2003 sp1，源码应用带签名的UTF-8编码。
[VC2005， noBOM]：VC2005 sp1，源码应用无签名的UTF-8编码。
[VC2005， BOM]：VC2005 sp1，源码应用带签名的UTF-8编码。
[VC2010， noBOM]：VC2010 sp1，源码应用无签名的UTF-8编码。
[VC2010， BOM]：VC2010 sp1，源码应用带签名的UTF-8编码。
[VC2010， noBOM， execution_character_set]：VC2010 sp1，源码应用无签名的UTF-8编码，并应用“＃pragma execution_character_set（"utf-8"）”。
[VC2010， BOM， execution_character_set]：VC2010 sp1，源码应用带签名的UTF-8编码，并应用“＃pragma execution_character_set（"utf-8"）”。
[BCB6， noBOM]：Borland C++ Builder 6.0，源码应用无签名的UTF-8编码。
[BCB6， BOM]：Borland C++ Builder 6.0，源码应用带签名的UTF-8编码。
[gcc（mingw）， noBOM]：MinGW中的GCC 4.6.2，源码应用无签名的UTF-8编码。
[gcc（mingw）， BOM]：MinGW中的GCC 4.6.2，源码应用带签名的UTF-8编码。

　　Linux平台下的测试有——
[gcc（fedora）， noBOM， chs]：Fedora 17自带的GCC 4.7.0，源码应用无签名的UTF-8编码，体系说话设为“简体中文”。
[gcc（fedora）， BOM， chs]：Fedora 17自带的GCC 4.7.0，源码应用带签名的UTF-8编码，体系说话设为“简体中文”。
[gcc（fedora）， noBOM， eng]：Fedora 17自带的GCC 4.7.0，源码应用无签名的UTF-8编码，体系说话设为“英语”。
[gcc（fedora）， BOM， eng]：Fedora 17自带的GCC 4.7.0，源码应用带签名的UTF-8编码，体系说话设为“英语”。

　　测试成果汇总如下（分号“;”后的是我写的注释）——

[VC6， noBOM]

len<1>=9，str=u4e00瀛桝    // 75 34 65 30 30 E5 AD 97 41    ; VC6无法辨认“\u”转义符，直接输出了“u4e00”。

len<2>=7，str=u4e00瀛梂    // 0075 0034 0065 0030 0030 701B 6882



[VC6， BOM]

无法编译！    ; 因BOM字符被编译器当做了错误的语句。



[VC2003， noBOM]

len<1>=0，str=    //    ; 编译器无法辨认字符串。

len<2>=3，str=一瀛梂    // 4E00 701B 6882



[VC2003， BOM]

len<1>=0，str=    //

len<2>=3，str=一字W    // 4E00 5B57 0057



[VC2005， noBOM]

len<1>=6，str=一瀛桝    // D2 BB E5 AD 97 41

len<2>=3，str=一瀛梂    // 4E00 701B 6882



[VC2005， BOM]

len<1>=5，str=一字A    // D2 BB D7 D6 41

len<2>=3，str=一字W    // 4E00 5B57 0057



[VC2010， noBOM]

len<1>=6，str=一瀛桝    // D2 BB E5 AD 97 41    ; “字A”的UTF-8编码为“E5 AD 97 41”，编译器将它们辨认为GB2312编码的“瀛桝”，并将其存储为GB2312字符串。

len<2>=3，str=一瀛梂    // 4E00 701B 6882    ; “字W”的UTF-8编码为“E5 AD 97 57”，编译器将它们辨认为GB2312编码的“瀛梂”，并将其存储为UTF-16字符串。



[VC2010， BOM]

len<1>=5，str=一字A    // D2 BB D7 D6 41    ; 因带有BOM，编译器正确的辨认了字符串，并将其存储为GB2312字符串。

len<2>=3，str=一字W    // 4E00 5B57 0057    ; 因带有BOM，编译器正确的辨认了字符串，并将其存储为UTF-16字符串。



[VC2010， noBOM， execution_character_set]

len<1>=8，str=一鐎涙    // D2 BB E7 80 9B E6 A1 9D    ; “\u4e00”被辨认为“一”，并存储为GB2312编码“D2 BB”。“字A”的UTF-8编码为“E5 AD 97 41”，编译器将它们辨认为GB2312编码的“瀛桝”，并存储为UTF-8编码的“E7 80 9B E6 A1 9D”。但显示时体系默认是 GB2312 编码。

len<2>=3，str=一瀛梂    // 4E00 701B 6882



[VC2010， BOM， execution_character_set]

len<1>=6，str=一瀛桝    // D2 BB E5 AD 97 41    ; “\u4e00”被辨认为“一”，并存储为GB2312编码“D2 BB”。“字A”的UTF-8编码为“E5 AD 97 41”，编译器正确的将其存储为UTF-8编码。但显示时体系默认是 GB2312 编码。

len<2>=3，str=一字W    // 4E00 5B57 0057



[BCB6， noBOM]

len<1>=6，str=一瀛桝    // D2 BB E5 AD 97 41

len<2>=3，str=一瀛梂    // 4E00 701B 6882



[BCB6， BOM]

无法编译！    ; 因BOM字符被编译器当做了错误的语句。



[gcc（mingw）， noBOM]

len<1>=7，str=涓€瀛桝    // E4 B8 80 E5 AD 97 41    ; 存储为UTF-8编码。但显示时体系默认是 GB2312 编码。

len<2>=3，str=一字W    // 4E00 5B57 0057



[gcc（mingw）， BOM]

len<1>=7，str=涓€瀛桝    // E4 B8 80 E5 AD 97 41

len<2>=3，str=一字W    // 4E00 5B57 0057





[gcc（fedora）， noBOM， chs]

len<1>=7，str=一字A    // E4 B8 80 E5 AD 97 41    ; 存储为UTF-8编码。显示时体系默认是 zh_CN.utf8 编码，正常输出。

len<4>=3，str=一字W    // 4E00 5B57 0057



[gcc（fedora）， BOM， chs]

len<1>=7，str=一字A    // E4 B8 80 E5 AD 97 41

len<4>=3，str=一字W    // 4E00 5B57 0057



[gcc（fedora）， noBOM， eng]

len<1>=7，str=一字A    // E4 B8 80 E5 AD 97 41    ; 存储为UTF-8编码。显示时体系默认是 en_US.utf8 编码，正常输出。

len<4>=3，str=一字W    // 4E00 5B57 0057



[gcc（fedora）， BOM， eng]

len<1>=7，str=一字A    // E4 B8 80 E5 AD 97 41

len<4>=3，str=一字W    // 4E00 5B57 0057

三、成果解析

　　调查测试成果，我们起首可以发明以下几点——　　
VC6和BCB6都无法编译带签名UTF-8编码的代码文件，它们会将签名字符（BOM）当做错误的语句。
VC6无法辨认“\u”转义符。
VC2003无法辨认UTF-8编码的char。

3.1 道理解析

　　Windows下的测试以VC2010最为典范，以此为例来讲解。

　　在编译过程中，处理惩罚字符串时会涉及下面两种字符集——
源码字符集（the source character set）：源码文件是应用何种编码保存的。
履行字符集（the execution character set）：可履行法度内保存的是何种编码。

　　要想使法度不会乱码，必须满足——
1） 编译器正确辨认了源码字符集，从而获得正确的字符串数据。
2） 运行景象的编码与履行字符集雷同。运行景象的编码可经由过程setlocale函数来设备，“setlocale（LC_ALL， ""）”默示应用体系默认编码。对于简体中文Windows来说一般是GB2312，若是履行字符集雷同，那就能正常显示，不然会乱码。

　　VC2010是如许处理惩罚的——
源码字符集：若是有签名字符，就按它的编码来解析；不然应用本地Locale字符集。
履行字符集：对于char类型，若是有“＃pragma execution_character_set”，就按它的编码来存储字符串；不然应用本地Locale字符集。对于wchar_t类型，老是应用UTF-16编码。

　　当源码应用带签名的UTF-8编码时，VC2010能正确的辨认源码字符集是UTF-8。然后因没有“＃pragma execution_character_set”，履行字符集是本地Locale字符集——
[VC2010， BOM]
len<1>=5，str=一字A // D2 BB D7 D6 41 ; 因带有BOM，编译器正确的辨认了字符串，并将其存储为GB2312字符串。
len<2>=3，str=一字W // 4E00 5B57 0057 ; 因带有BOM，编译器正确的辨认了字符串，并将其存储为UTF-16字符串。

　　当源码应用无签名的UTF-8编码时，VS2010因找不到签名字符，源码字符集被误认为是本地Locale字符集。然后因没有“＃pragma execution_character_set”，履行字符集是本地Locale字符集——
[VC2010， noBOM]
len<1>=6，str=一瀛桝 // D2 BB E5 AD 97 41 ; “字A”的UTF-8编码为“E5 AD 97 41”，编译器将它们辨认为GB2312编码的“瀛桝”，并将其存储为GB2312字符串。
len<2>=3，str=一瀛梂 // 4E00 701B 6882 ; “字W”的UTF-8编码为“E5 AD 97 57”，编译器将它们辨认为GB2312编码的“瀛梂”，并将其存储为UTF-16字符串。

　　当应用“＃pragma execution_character_set（"utf-8"）”设备了履行字符集为UTF-8后，景象变得更错杂了。我们先看看VC2010能正确辨认源码字符集的带签名文件——
[VC2010， BOM， execution_character_set]
len<1>=6，str=一瀛桝 // D2 BB E5 AD 97 41 ; “\u4e00”被辨认为“一”，并存储为GB2312编码“D2 BB”。“字A”的UTF-8编码为“E5 AD 97 41”，编译器正确的将其存储为UTF-8编码。但显示时体系默认是 GB2312 编码。
len<2>=3，str=一字W // 4E00 5B57 0057

　　再看看无签名时的景象。VS2010因找不到签名字符，源码字符集被误认为是本地Locale字符集，即误将UTF-8辨认为GB2312。然后按照履行字符集，又转换编码为UTF-8进行存储。最后在运行时因默认编码是GB2312，再次误将UTF-8辨认为GB2312——
[VC2010， noBOM， execution_character_set]
len<1>=8，str=一鐎涙 // D2 BB E7 80 9B E6 A1 9D ; “\u4e00”被辨认为“一”，并存储为GB2312编码“D2 BB”。“字A”的UTF-8编码为“E5 AD 97 41”，编译器将它们辨认为GB2312编码的“瀛桝”，并存储为UTF-8编码的“E7 80 9B E6 A1 9D”。但显示时体系默认是 GB2312 编码。
len<2>=3，str=一瀛梂 // 4E00 701B 6882

　　从上方这2个例子中，发明VC2010存在一个Bug——“＃pragma execution_character_set”对“\u”转义字符无效，“\u”转义字符老是应用本地Locale字符集，而不是履行字符集。

3.2 GCC解析

　　GCC的源码字符集与履行字符集默认是UTF-8编码，这是因为如今的Linux体系大多应用UTF-8编码。就算调剂了Linux体系说话后，只是区域产生了变更，字符编码依然是UTF-8。所以我们的法度在“简体中文”与“英语”下，均能正确的显示中文字符。

　　MinGW中的GCC也是如许的，源码字符集与履行字符集默认是UTF-8编码。然则简体中文的Windows的默认编码是GB2312，会将printf输出UTF-8字符串误认为是GB2312，造成乱码。

3.2 最佳规划

　　若是字符串常量中没有非ASCII字符，建议源码文件应用无签名的UTF-8编码，如许能支撑早期的编译器。
　　若是字符串常量中含有非ASCII字符，建议源码文件应用带签名的UTF-8编码，如许能使大多半编译器正确的处理惩罚源码字符集。

　　补充——
1. 重视前提仅是“字符串常量中没有非ASCII字符”。若是是从外部文件或其他路子获得非ASCII字符串，只要选择了合适的字符串函数，无签名UTF-8编码的源码文件也是能行的。
2. VC2010新增的“＃pragma execution_character_set”用于明白请求UTF-8字符串的场合。因为Windows没有UTF-8的locale，实用性较小，

参考文献——
《ISO/IEC 9899:1999 （C99）》。ISO/IEC，1999。www.open-std.org/jtc1/sc22/wg14/www/docs/n1124.pdf
《C99标准》。yourtommy。http://blog.csdn.net/yourtommy/article/details/7495033
《QString乱谈（2） 》。dbzhang800。http://blog.csdn.net/dbzhang800/article/details/7540905

 

源码下载—— 
http://files.cnblogs.com/zyl910/testwchar.rar

迎着阳光开放的花朵才美丽，伴着革命理想的爱情才甜蜜。——莫贵英