MFC中如何以UNICODE编码格式读写文件

在MFC中，有时候需要以特定编码格式（比如ANSI、UTF-8、UTF-16）保存文本文件。为了能够深入理解MFC读写文件的操作原理，先讲解BOM头和代码页的概念。

一 BOM(Byte order mark)

在Windows操作系统中，当你使用Unicode时，需要熟悉的一个概念是BOM(byte-order-mark)。BOM一般是指文本文件开头的几个字符，根据这几个字符，文本编辑器能够决定如何对文本文件进行解码。
下表显示不同编码的BOM。

在微软的官方文档中，是这样描述BOM的

BOM用于指示处理器如何将序列化文本放入字节序列中。如果最低有效字节位于初始位置，则称为“小端序”，而如果最高有效字节位于起始位置，则该方法称为“大端序”。
同时，BOM也可以用作文件的指示器，以确定文本文件的编码方式以及字节序列。比如记事本就可能根据文件保存时所选的编码，在文件开始处添加相应的文件指示器。此签名允许记事本稍后重新打开文件，将字节正确解释为Unicode，而不是某些未知、隐式和不明确的代码页。

现在问题来了，微软自家的文档会加上BOM头，可是其他家的文档未必会加BOM头啊，怎么办？实际上，对很多文字编辑器来说，它会自动识别，这个时候，文件的编码格式就要根据文件的内容逐个去分析了，也就是说没有绝对的方式能够完全正确的知道文件的编码格式，因此可能不准。

二 Code pages（代码页）与ANSI的关系

在MFC中，文本文件可以保存为ANSI的编码格式，此时不需要BOM头。但是，ANSI到底代表什么呢？以下进行初步讲解。

1 如何查看代码页

在Windows平台下，进入DOS窗口，输入：chcp，可以得到操作系统的代码页信息，你可以从控制面板语言选项中查看代码页对应的详细的字符集信息。
例如：我的活动代码页：936，它对于的编码格式为GBK。

2 Code Page的作用

一个代码页是所选字符集的列表。一个代码页通常定义一个或者一组具有相同书写系统的语言。通常这些语言的前127个码点相同，和ASCII码相同。但是高位的128位码点（128-255）却有显著区别。
例如，代码页1253提供了希腊书写系统的字符集；而1252提供了拉丁书写系统的字符集，这包括英语、德语、法语等。高位的128个代码点包含重音字符或希腊字符。因此，除非包含与文本分离的某种类型的标识符，以指示顶部使用的代码页，否则不能将希腊语和德语存储在同一代码流中。
当处理亚洲文字的时候，情况变得更为复杂。中文、日文、韩文包含超过256个字符，需要发展一种基于字节的代码页新方案。因此双字节（DBCS）和更通用的MBCS诞生了。在DBCS和MBCS中，许多字符是用两个或者2个以上字符表示的。例如中国，使用两个字节表示汉字，产生了GB2312编码，后来又升级出新的编码GBK编码。台湾因为使用繁体字，不和GBK兼容，于是又自己弄了个繁体字编码-大五码（Big-5）。韩国人自己搞的编码叫韩EUC-KR编码.
因为各个国家有自己的文字，对自己的文字有自己的编码方式。Windows为了保证能在不同语言的地区使用，就采用了标准代码页（code page）的方法，即把全世界的编码方式都聚集到一起并编上号，在不同的地方采用对应地方的编码方式，比如简体中文GBK编码就是936代码页，繁体中文 Big5编码就是950代码页。
当记事本或者软件采用Windows代码页中对应的编码方式就是“ANSI”编码，在不同的地区“ANSI”编码是不同的。比如在中国，“ANSI”就是GBK编码；在韩国就是EUC-KR编码。默认的“ANSI”编码方式可以通过修改Windows的区域来修改。

3 从ANSI到UNICODE

从ANSI编码的特点可以看出，ANSI注定必须和代码页相关，那么现在新的问题来了：如何利用ANSI在一个文件流中既显示中文，又显示日文？答案是不能。为了允许不同语言在同一个数据流中被保存，Unicode被创立了。这种单一编码可以表示64000多个字符，使用替代编码可以表示100多万个字符。使用Unicode可以更容易地创建面向世界的代码，因为您不必再担心正在寻址的代码页，也不必担心是否必须将字符点分组以表示一个字符。

三 文件的读写

在MFC中，可以利用CFile类进行文件读写。但是需要注意以下几个问题。
1.文本模式还是二进制模式
注意CFile在打开一个文件时可以选择是文本模式还是二进制模式。当按照文本方式向文件中写入数据时，一旦遇到“换行”字符（ASCII码为10，也就是转义字符’\n’），则会转换为“回车-换行”（ASCII码分别为13、10，也就是转义字符’\r’‘\n’）。在读取文件时，一旦遇到“回车-换行”组合（连续的ASCII码为13、10），则会转换为换行字符（ASCII为10）。当按照二进制方式向文件中写入数据时，则会将数据在内存中的存储形式原样输出到文件中。

2. 输出为UNICODE编码格式时增加BOM头
为了防止读取文件出现乱码，在以Unicode编码时应当加上BOM头(这个仅限于Windows系统)。

3. 编译器的执行字符集决定了输出的具体编码
MFC的执行字符集决定了最终文本字符的编码，那么执行字符集是什么呢？
第一种情况：以VC++为例， 如果是窄字符/字符串(以char为单位)，那么执行字符集是由系统代码页决定的，比如在中文Windows系统下就采用GBK编码。如果是宽字符/字符串(以wchar为单位)，那么执行字符集是UTF-16 LE(这是VS2017下的结果)。另外，VS可以通过/execution-charset设置执行字符集（具体可参见微软官方文档：https://learn.microsoft.com/zh-cn/cpp/build/reference/execution-charset-set-execution-character-set?view=msvc-150）
第二种情况：如果字符/字符串前有指定编码方式，那没什么好说的了，就采用指定的编码方式。

具体请参见下面案例。

void CFileView::OnWrite()
{
	//利用打开对话框实现文件写入
	CFileDialog dlgOpen(FALSE);
	dlgOpen.m_ofn.lpstrTitle=_T("我的文件保存对话框");
	dlgOpen.m_ofn.lpstrFilter=_T("绘图文件(*.dwg)\0*.dwg\0Text Files(*.txt)\0*.txt\0All Files(*.*)\0*.*\0\0");
	dlgOpen.m_ofn.lpstrDefExt=_T("txt");

	if(IDOK==dlgOpen.DoModal())
	{
		CFile file(dlgOpen.GetPathName(),CFile::modeCreate|CFile::modeWrite);
		//加了这个BOM头之后就不用文本编辑器猜编码格式了
		char pch[2] = { 0xff,0xfe };	
		file.Write(pch, 2);
		//字符的执行字符编码（VS是UTF-16 LE）是什么，就写入什么。
		//因此，下面这个字符串输出到文件以后，编码格式就是UTF-16 LE。
		CString str = _T("https://www.baidu.com/我\nThis is second Line!");
		file.Write(str,str.GetLength()*sizeof(TCHAR));

		/*
		以下是一个典型案例，由于Write就是单纯的写数据，所以当前VS执行字符集的执行字符编码是什么，就将这样的
		编码写入到文件。刚刚说过了，如果是窄字符串，那么以ANSI（因为的Code Page为936,因此是GBK编码的）编码。
		这样，对abc这样的ASCII字符，采用1个字节，对‘我’这样的汉字，采用两个字节，字符串编码是：61 62 63 ce d2 ，
		占有5个字节，其中'我'是 ce d2.而函数strlen返回的是字符的个数，也就是4，所以下面的函数输出了4个字节
		的编码，即：61 62 63 ce，如果再次打开这个文件，解码自然出错。
		*/
		//file.Write("abc我", strlen("abc我") * sizeof(char));		

		file.Close();
	}

文件读取的话，需要注意读取完成后，要在缓冲区末尾加上’\0’。

void CFileView::OnRead()
{
	//利用打开对话框实现文件打开
	CFileDialog dlgOpen(TRUE);
	dlgOpen.m_ofn.lpstrTitle=_T("我的文件打开对话框");
	dlgOpen.m_ofn.lpstrFilter=_T("绘图文件(*.dwg)\0*.dwg\0Text Files(*.txt)\0*.txt\0All Files(*.*)\0*.*\0\0");
	dlgOpen.m_ofn.lpstrDefExt=_T("txt");

	if(IDOK==dlgOpen.DoModal())
	{
		CFile file(dlgOpen.GetPathName(),CFile::modeRead);
		TCHAR* pBuf;
		DWORD dwFileLen;
		dwFileLen=file.GetLength();
		pBuf=new TCHAR[dwFileLen/sizeof(TCHAR)+1];
		file.Read(pBuf,dwFileLen);
		pBuf[dwFileLen/sizeof(TCHAR)]=0;
		file.Close();
		MessageBox(pBuf);
		delete pBuf;
	}
}