Delphi7中 string, AnsiString, Utf8String，WideString的区别分析

Windows系统上的 Notepad.exe 打开文件后，点击“文件”菜单中的“另存为”命令，会跳出一个对话框，在最底部有一个“编码”的下拉条。
里面有四个选项：ANSI，Unicode，Unicode big endian 和 UTF-8。
1）ANSI是默认的编码方式。对于英文文件是ASCII编码，对于简体中文文件是GB2312编码（只针对Windows简体中文版，如果是繁体中文版会采用Big5码）。
2）Unicode编码指的是UCS-2编码方式，即直接用两个字节存入字符的Unicode码。这个选项用的little endian格式。
3）Unicode big endian编码与上一个选项相对应。我在下一节会解释little endian和big endian的涵义。
4）UTF-8编码，也就是上一节谈到的编码方法。
 

缺省的编译选项下，编译器认为String就是AnsiString字符串（可以使用$H编译开关来进行修改）。

 
   AnsiString   这是Pascal缺省的字符串类型，它由AnsiChar   字符组成，其长度没有限制，同时与null结束的字符串相兼容，它的内存和ANSI编码格式的TXT文件的内存一样，AnsiString可能是全部都是ASCII字符，也可能包含中文字符。 
 如果是在繁体中文windows系统上，可能包含繁体中文字符，如果是简体中文系统，则为GB2312编码，如果是繁体中文系统，则为BIG 5码。 
   WideString功能上类似于AnsiString，但它是由WideChar字符（UniCode字符集）组成的。引入这种类型，主要是为了支持OLE编程。而且还有一个实用的功能，就是当一个字符串是中英文字符混杂时，能够准确计数字符数，并可分别访问其中每一个中文字符或英文字符，如果一个AnsiString中含有中英文字符时，就不容易确定字符数，也无法准确访问其中的每一个字符。AnisString字符串的每一个字节都不为零，但WideString的内存字节可能为0。AnsiString内存字节中，有可能一个字节代表一个字符，也可能两个字节代表一个字符，WideString全部是两个字节代表一个字符。

可以将一个WideString赋给一个AnsiString，也可以将一个AnsiString赋给一个WideString，在赋值过程中将发生编码转换，如果一个WideString中的Unicode字符在ANSI字符集编码范围之外，则该Unicode字符被转为? (0x3F)，所以就会出现拷贝一些阿拉伯字符串到文本框中后变成一串?的情况。

Unicode编码则是采用双字节16位来进行编号，可编65536字符，基本上包含了世界上所有的语言字符，它也就成为了全世界一种通用的编码，而且用十六进制4位表示一个编码，非常简结直观，为大多数开发者所接受。

AnsiString(或长字符串)类型是在Delphi2.0开始引入的，因为Delphi   1.0的用户特别需要一个容易使用而且没有255个字符限制的字符串类型，而AnsiString正好能满足这些要求。 虽然AnsiString在外表上跟以前的字符串类型几乎相同，但它是动态分配的并有自动回收功能，正是因为这个功能AnsiString有时被称为生存期自管理类型。Object   Pascal能根据需要为字符串分配空间，所以不用像在C/C++中所担心的为中间结果分配缓冲区。另外，AnsiString字符串总是以null字符结束的，这使得AnsiString字符串能与Win32   API   中的字符串兼容。实际上，AnsiString类型是一个指向在堆栈中的字符串结构的指针。

WideString类型像AnsiString一样是生存期自管理类型，它们都能动态分配、自动回收并且彼此能相互兼容，不过WideString和AnsiString的不同主要在三个方面：

WideString由WideChar字符组成，而不是由AnsiChar字符组成的，它们跟Unicode字符串兼容。 
WideString用SysAllocStrLen()API函数进行分配，它们跟OLE的BSTR字符串相兼容。 
WideString没有引用计数，所以将一个WideString字符串赋值给另一个WideString字符串时，就需要从内存中的一个位置复制到另一个位置。这使得WideString在速度和内存的利用上不如AnsiString有效。

 

Utf8String的定义同string,  但一般存放Utf8编码的字符串。

UTF-8编码
这是一种变长的编码方式：它可以使用1~4个字节表示一个符号，根据不同的符号而变化字节长度，当字符在ASCII码的范围时，就用一个字节表示，保留了ASCII字符一个字节的编码做为它的一部分，如此一来UTF-8编码也可以是为视为一种对ASCII码的拓展。值得注意的是unicode编码中一个中文字符占2个字节，而UTF-8一个中文字符占3个字节。从unicode到uft-8并不是直接的对应，而是要过一些算法和规则来转换。
在计算机内存中，统一使用Unicode编码，当需要保存到硬盘或者需要传输的时候，就转换为UTF-8编码。
用记事本编辑的时候，从文件读取的UTF-8字符被转换为Unicode字符到内存里，编辑完成后，保存的时候再把Unicode转换为UTF-8保存到文件。
 

附【Unicode 码表】

0000-007F：C0控制符及基本拉丁文 (C0 Control and Basic Latin)
0080-00FF：C1控制符及拉丁文补充-1 (C1 Control and Latin 1 Supplement) 
0100-017F：拉丁文扩展-A (Latin Extended-A) 
0180-024F：拉丁文扩展-B (Latin Extended-B) 
0250-02AF：国际音标扩展 (IPA Extensions) 
02B0-02FF：空白修饰字母 (Spacing Modifiers) 
0300-036F：结合用读音符号 (Combining Diacritics Marks) 
0370-03FF：希腊文及科普特文 (Greek and Coptic) 
0400-04FF：西里尔字母 (Cyrillic) 
0500-052F：西里尔字母补充 (Cyrillic Supplement) 
0530-058F：亚美尼亚语 (Armenian) 
0590-05FF：希伯来文 (Hebrew) 
0600-06FF：阿拉伯文 (Arabic) 
0700-074F：叙利亚文 (Syriac) 
0750-077F：阿拉伯文补充 (Arabic Supplement) 
0780-07BF：马尔代夫语 (Thaana) 
07C0-077F：西非書面語言 (N'Ko) 
0800-085F：阿维斯塔语及巴列维语 (Avestan and Pahlavi) 
0860-087F：Mandaic 
0880-08AF：撒马利亚语 (Samaritan) 
0900-097F：天城文书 (Devanagari) 
0980-09FF：孟加拉语 (Bengali) 
0A00-0A7F：锡克教文 (Gurmukhi) 
0A80-0AFF：古吉拉特文 (Gujarati) 
0B00-0B7F：奥里亚文 (Oriya) 
0B80-0BFF：泰米尔文 (Tamil) 
0C00-0C7F：泰卢固文 (Telugu) 
0C80-0CFF：卡纳达文 (Kannada) 
0D00-0D7F：德拉维族语 (Malayalam) 
0D80-0DFF：僧伽罗语 (Sinhala) 
0E00-0E7F：泰文 (Thai) 
0E80-0EFF：老挝文 (Lao) 
0F00-0FFF：藏文 (Tibetan) 
1000-109F：缅甸语 (Myanmar) 
10A0-10FF：格鲁吉亚语 (Georgian) 
1100-11FF：朝鲜文 (Hangul Jamo) 
1200-137F：埃塞俄比亚语 (Ethiopic) 
1380-139F：埃塞俄比亚语补充 (Ethiopic Supplement) 
13A0-13FF：切罗基语 (Cherokee) 
1400-167F：统一加拿大土著语音节 (Unified Canadian Aboriginal Syllabics) 
1680-169F：欧甘字母 (Ogham) 
16A0-16FF：如尼文 (Runic) 
1700-171F：塔加拉语 (Tagalog) 
1720-173F：Hanunóo 
1740-175F：Buhid 
1760-177F：Tagbanwa 
1780-17FF：高棉语 (Khmer) 
1800-18AF：蒙古文 (Mongolian) 
18B0-18FF：Cham 
1900-194F：Limbu 
1950-197F：德宏泰语 (Tai Le) 
1980-19DF：新傣仂语 (New Tai Lue) 
19E0-19FF：高棉语记号 (Kmer Symbols) 
1A00-1A1F：Buginese 
1A20-1A5F：Batak 
1A80-1AEF：Lanna 
1B00-1B7F：巴厘语 (Balinese) 
1B80-1BB0：巽他语 (Sundanese) 
1BC0-1BFF：Pahawh Hmong 
1C00-1C4F：雷布查语(Lepcha) 
1C50-1C7F：Ol Chiki 
1C80-1CDF：曼尼普尔语 (Meithei/Manipuri) 
1D00-1D7F：语音学扩展 (Phonetic Extensions) 
1D80-1DBF：语音学扩展补充 (Phonetic Extensions Supplement) 
1DC0-1DFF：结合用读音符号补充 (Combining Diacritics Marks Supplement) 
1E00-1EFF：拉丁文扩充附加 (Latin Extended Additional) 
1F00-1FFF：希腊语扩充 (Greek Extended) 
2000-206F：常用标点 (General Punctuation) 
2070-209F：上标及下标 (Superscripts and Subscripts) 
20A0-20CF：货币符号 (Currency Symbols) 
20D0-20FF：组合用记号 (Combining Diacritics Marks for Symbols) 
2100-214F：字母式符号 (Letterlike Symbols) 
2150-218F：数字形式 (Number Form) 
2190-21FF：箭头 (Arrows) 
2200-22FF：数学运算符 (Mathematical Operator) 
2300-23FF：杂项工业符号 (Miscellaneous Technical) 
2400-243F：控制图片 (Control Pictures) 
2440-245F：光学识别符 (Optical Character Recognition) 
2460-24FF：封闭式字母数字 (Enclosed Alphanumerics) 
2500-257F：制表符 (Box Drawing) 
2580-259F：方块元素 (Block Element) 
25A0-25FF：几何图形 (Geometric Shapes) 
2600-26FF：杂项符号 (Miscellaneous Symbols) 
2700-27BF：印刷符号 (Dingbats) 
27C0-27EF：杂项数学符号-A (Miscellaneous Mathematical Symbols-A) 
27F0-27FF：追加箭头-A (Supplemental Arrows-A) 
2800-28FF：盲文点字模型 (Braille Patterns) 
2900-297F：追加箭头-B (Supplemental Arrows-B) 
2980-29FF：杂项数学符号-B (Miscellaneous Mathematical Symbols-B) 
2A00-2AFF：追加数学运算符 (Supplemental Mathematical Operator) 
2B00-2BFF：杂项符号和箭头 (Miscellaneous Symbols and Arrows) 
2C00-2C5F：格拉哥里字母 (Glagolitic) 
2C60-2C7F：拉丁文扩展-C (Latin Extended-C) 
2C80-2CFF：古埃及语 (Coptic) 
2D00-2D2F：格鲁吉亚语补充 (Georgian Supplement) 
2D30-2D7F：提非纳文 (Tifinagh) 
2D80-2DDF：埃塞俄比亚语扩展 (Ethiopic Extended) 
2E00-2E7F：追加标点 (Supplemental Punctuation) 
2E80-2EFF：CJK 部首补充 (CJK Radicals Supplement) 
2F00-2FDF：康熙字典部首 (Kangxi Radicals) 
2FF0-2FFF：表意文字描述符 (Ideographic Description Characters) 
3000-303F：CJK 符号和标点 (CJK Symbols and Punctuation) 
3040-309F：日文平假名 (Hiragana) 
30A0-30FF：日文片假名 (Katakana) 
3100-312F：注音字母 (Bopomofo) 
3130-318F：朝鲜文兼容字母 (Hangul Compatibility Jamo) 
3190-319F：象形字注释标志 (Kanbun) 
31A0-31BF：注音字母扩展 (Bopomofo Extended) 
31C0-31EF：CJK 笔画 (CJK Strokes) 
31F0-31FF：日文片假名语音扩展 (Katakana Phonetic Extensions) 
3200-32FF：封闭式 CJK 文字和月份 (Enclosed CJK Letters and Months) 
3300-33FF：CJK 兼容 (CJK Compatibility) 
3400-4DBF：CJK 统一表意符号扩展 A (CJK Unified Ideographs Extension A) 
4DC0-4DFF：易经六十四卦符号 (Yijing Hexagrams Symbols) 
4E00-9FBF：CJK 统一表意符号 (CJK Unified Ideographs) 
A000-A48F：彝文音节 (Yi Syllables) 
A490-A4CF：彝文字根 (Yi Radicals) 
A500-A61F：Vai 
A660-A6FF：统一加拿大土著语音节补充 (Unified Canadian Aboriginal Syllabics Supplement) 
A700-A71F：声调修饰字母 (Modifier Tone Letters) 
A720-A7FF：拉丁文扩展-D (Latin Extended-D) 
A800-A82F：Syloti Nagri 
A840-A87F：八思巴字 (Phags-pa) 
A880-A8DF：Saurashtra 
A900-A97F：爪哇语 (Javanese) 
A980-A9DF：Chakma 
AA00-AA3F：Varang Kshiti 
AA40-AA6F：Sorang Sompeng 
AA80-AADF：Newari 
AB00-AB5F：越南傣语 (Vi?t Thái) 
AB80-ABA0：Kayah Li 
AC00-D7AF：朝鲜文音节 (Hangul Syllables) 
D800-DBFF：High-half zone of UTF-16 
DC00-DFFF：Low-half zone of UTF-16 
E000-F8FF：自行使用區域 (Private Use Zone) 
F900-FAFF：CJK 兼容象形文字 (CJK Compatibility Ideographs) 
FB00-FB4F：字母表達形式 (Alphabetic Presentation Form) 
FB50-FDFF：阿拉伯表達形式A (Arabic Presentation Form-A) 
FE00-FE0F：变量选择符 (Variation Selector) 
FE10-FE1F：竖排形式 (Vertical Forms) 
FE20-FE2F：组合用半符号 (Combining Half Marks) 
FE30-FE4F：CJK 兼容形式 (CJK Compatibility Forms) 
FE50-FE6F：小型变体形式 (Small Form Variants) 
FE70-FEFF：阿拉伯表達形式B (Arabic Presentation Form-B) 
FF00-FFEF：半型及全型形式 (Halfwidth and Fullwidth Form) 
FFF0-FFFF：特殊 (Specials)

 

 

 

1.字符编码的发展

第一阶段：ASCII阶段，(American Standard Code for Information Interchange， “美国信息交换标准码），计算机当时只支持英语，字符在计算机中都是以0和1的方式存储的。象a、b、c、d这样的52个字母（包括大写）、以及0、1、2等数字还有一些常用的符号（例如*、#、@等）在计算机中存储时也要使用二进制数来表示，而具体用哪些二进制数字表示哪个符号，就必须要有一定的规则，于是美国有关的标准化组织就出台了所谓的ASCII编码，统一规定了上述常用符号用哪个二进制数来表示。（来自百度百科），ASCII码规定每个字符例如“a”使用1个字节来表示，也就是8为的二进制组合，那么就有00000000-11111111一共256种组合，也就是可以表示256个不同的字符。

其中0-31：是控制字符或通讯专用字符（不可以显示的字符，其余为可显示字符），如控制符：LF（换行）、CR（回车）等。

32-126：是字符，其中32是空格。

48-57为0-9的阿拉伯数字。

65-90为26个大写英文字母。

97-122为26个小写英文字母。

其余的是一些标点符号，运算符号等。

ASSCII共计有128个，从0到127，也就是从00000000-01111111，最高位都是0。

 

第二阶段：ANSI编码（本地化）阶段，ASCII只能表示英文字符，那么其他字符怎么表示呢？汉语是这样解决的，用两个ASCII表示一个汉字，而且不用前面的128个。比如汉字“中”在中文操作系统中使用[0xD6,0xD0] 这两个字节存储，这样每个汉字也都有了自己的编码，汉字编码解决了，这就是中国的GB2312编码标准，但是这是中国汉字的编码，那么其他国家呢？其他的国家的计算机操作系统中可能把[0xD6,0xD0] 这两个字节存储成他们的文字，而不是“中”，不同的国家和地区制定了不同的标准，这些使用 2 个字节来代表一个字符的各种文字延伸编码方式，称为 ANSI 编码。

（1）GB2312-80汉字编码

GB2312国标字符集构成一个二维平面，它分成94行、94列，行号称为区号，列号称为位号。每一个汉字或符号在码表中都有各自的位置，字符的位置用它所在的区号(行号)及位号(列号)来表示。每个汉字的区号和位号分别用1个字节来表示，

如：“大”字的区号20，位号83，区位码是20，83

用2个字节表示为：00010100 01010011

问题：信息通信中，汉字的区位码与通信使用的控制码（00H～1FH）发生冲突。

解决方案：为避免汉字区位码与通信控制码冲突，ISO2022规定，每个汉字区号和位号必须分别加上32(即20H),

即区位码加上2020H。

经过这样处理得到的代码称为汉字的“国标交换码”（简称交换码）。因此，“大”字的国际交换码是:

区位码（00010100 01010011）+ 2020H=国际交换码（00110100 01110011）

 

机内码：

问题：文本中汉字与西文字符经常混用，汉字信息如不予以特别的标识，它与单字节的标准ASCII码就会混淆不清。

解决方法：把一个汉字看作两个扩展ASCII码，使表示GB2312汉字的两个字节的最高位(b7)加“1”，（即27=128=80H）。这种高位为l的双字节(16位)汉字编码就称为GB2312汉字的“机内码”，又称内码。
“大”的国际交换码：（00110100 01110011），内码是：10110100 11110011（B4F3）

 

第三阶段：UNICODE（国际化），为了使国际间信息交流更加方便，国际组织制定了 UNICODE 字符集，为各种语言中的每一个字符设定了统一并且唯一的数字编号，以满足跨语言、跨平台进行文本转换、处理的要求。Unicode用数字0-0x10FFFF来映射这些字符，最多可以容纳1114112个字符，或者说有1114112个码位。码位就是可以分配给字符的数字。UTF-8、UTF-16、UTF-32都是将数字转换到程序数据的编码方案。

Unicode目前普遍采用的是UCS-2它用两个字节来编码一个字符一般用十六进制来表示UCS-2最多能编码65536个字符

 

环境：win7中文旗舰版 + VS2010 + 当前代码页为GBK(GBK兼容GB2312，所以上面的例子，可以再当前环境下验证)

 

string str1 = "123大";//GBK编码[31H,32H,33H,b4H,f3H]
wstring str2 = L"123大";//UCS-2编码[0031H,0032H,0033H,5927H]
string str3;
int nlength = WideCharToMultiByte(CP_UTF8, 0, str2.c_str(), -1, NULL, 0, NULL, NULL);
str3.resize(nlength, '\0');
WideCharToMultiByte(CP_UTF8, 0, str2.c_str(), -1, &str3[0], nlength, NULL, NULL);//Unicode to UTF-8
//str2 UTF-8编码[31H,32H,33H,E5H,a4H,a7H]

1）对于单字节的符号，字节的第一位设为0，后面7位为这个符号的unicode码。因此对于英语字母，UTF-8编码和ASCII码是相同的。

2）对于n字节的符号（n>1），第一个字节的前n位都设为1，第n+1位设为0，后面字节的前两位一律设为10。剩下的没有提及的二进制位，全部为这个符号的unicode码。

例如：

“大”字，UCS-2编码为[5927H]，即[0101 1001 0010 0111]

对于UTF-8编码来说，[5927H]在0800H~FFFFH之间，应该使用[1110 xxxx 10yy yyyy 10zz zzzz]，将[0101 1001 0010 0111]以此填入xxxx yy yyyy zz zzzz部分，得

[1110 0101 1010 0100 1010 0111]，即 [e5H a4H a7H]