揭开字符的面纱（二）

上面一节提到了字符的表示方式，这一节主要讲他们的由来以及微软给出的解决方案。
在《Windows核心编程中》有提到，从Windows NT开始，Windows的所有版本都完全用Unicode来构建。这个意思就是说，即使你用的是ASCII字符或者ASCII字符串（一个字符一个字节），都将在内部转换成Unicode字符。在大部分的Windows的API中都有xxxxxxA、xxxxxxW以及xxxxxxEx等三个前缀相同的版本，后缀为A表示使用的ANSI版本（不是ASCII），后缀为W表示使用Unicode版本（w的意思是wide），以及中间兼容版本Ex。若使用_UNICODE宏和UNICODE宏，Ex就就用Unicode版本，反之则使用ANSI版本，这是微软想到解决兼容的一种办法。

自从VC6.0开始，就已经支持UNICODE字符集，但是VC6.0默认的是“多字节字符集”（MBCS），使用UNICODE字符集需要自行在项目中定义UNICODE宏和_UNICODE宏；然而VS.NET2002以及更高版本默认的却是UNICODE字符集，即定义了UNICODE宏和_UNICODE宏，除非你在项目属性中人工指定使用“多字节字符集”（MBCS），那样就不会定义UNICODE宏和_UNICODE宏。

VS2013的MFC更是完全废除了MBCS，使用MBCS会给编译错误信息：MBCS is depreciated。

之前有提到过ANSI字符集，也有很多套，但是计算机怎么知道要用哪套字符集呢？于是提出了一套“治标不治本”的方案，这就是“ANSI代码页”。每种字符集规定一个数字作为唯一标识符，叫做“代码页”，更换这个唯一标识符就切换字符集。例如ASCII的代码页是437，latin-1的代码页是1252，GB2312-80的代码页是20936，GBK的代码页是936，BIG-5的代码页是950，GB18030的代码页是54936等等。

起初Windows就是用“ANSI代码页”切换方案，字符串用char数组来存储，叫做“多字节字符集（MBCS）”，从上一篇知道，这么叫的原因是因为有些字符不止占一位，一个GBK汉字可能占两位。

切换代码页是治标不治本，可能在这台计算机上能够编译成功，但是到了别人电脑，使用了不一样的代码页，就只能看到一堆乱码。于是为了统一文字，Unicode字符集出现了。【ISO国际标准】根据ISO的C标准和C++标准，字符类型有两种：一种叫做“窄字符”（narrow character），用char表示，每个单位占一个字节；另一种叫做“宽字符”（wide character），用wchar_t表示，每个单位占的字节数必须多于char，但没有规定具体占几个字节。窄字符和宽字符的表示方式分别是：char s[] = “narrow character” 和 wchar_t ws[] = L"wide character" 。

---

微软在C标准之外，私自定义了“C风格窄字符串”和“C风格宽字符串”：

// 这是C风格窄字符串，以'\0'结尾的窄字符数组
#define CONST const
typedef char CHAR;
typedef CHAR *NPSTR, *LPSTR, *PSTR;
typedef CONST CHAR *LPCSTR, *PCSTR;

// 这是以L'\0'结尾的宽字符数组
#define CONST const
typedef wchar_t WCHAR;
typedef WCHAR *NWPSTR, *LPWSTR, *PWSTR;
typedef CONST WCHAR *LPCWSTR, *PCWSTR;

为了在ANSI字符集和Unicode字符集之前切换，还定义一种TCHAR字符类型，在<winnt.h>中定义如下：

typedef wchar_t WCHAR;
#ifdef  UNICODE
typedef WCHAR TCHAR, *PTCHAR;
typedef LPWSTR PTSTR, LPTSTR;
typedef LPCWSTR PCTSTR, LPCTSTR;
#else
typedef char TCHAR, *PTCHAR;
typedef LPSTR PTSTR, LPTSTR;
typedef LPCSTR PCTSTR, LPCTSTR, PCUTSTR, LPCUTSTR;
#endif

还定义了TEXT宏：

#ifdef  UNICODE
#define __TEXT(quote) L##quote
#else
#define __TEXT(quote) quote
#endif
#define TEXT(quote) __TEXT(quote)

在<tchar.h>头文件中，还定义了_T宏和_TEXT宏：

#ifdef _UNICODE
#define __T(x)      L ## x
typedef wchar_t     TCHAR;
#else
#define __T(x)      x
typedef char        TCHAR;
#endif
#define _T(x)       __T(x)
#define _TEXT(x)    __T(x)

ISO的C和C++标准也有对应的窄字符集函数printf、strcat、strcmp和宽字符集函数wprintf、strcat、strcmp等等。微软也私自在<tchar.h>中宏定义了这些函数的TCHAR风格类型：

#ifdef _UNICODE
#define _tprintf        wprintf
#define _tcscmp         wcscmp
#define _tcscat         wcscat
#else
#define _tprintf        printf
#define _tcscmp         strcmp
#define _tcscat         strcat
#endif

跨平台应该注意：

• 【ISO国际标准】ISO的C标准和C++标准只规定了窄字符char为一个字节，宽字符wchar_t的字节数大于char。没有规定wchar_t具体占几个字节。没有TCHAR这个东西，不存在<tchar.h>头文件。
• 【微软方案】在微软的编译器中，char每个单位占一个字节，表示ANSI字符集；wchar_t占两个字节，表示UTF-16小端模式。可以用TCHAR类型（在<tchar.h>头文件中），并用是否定义UNICODE宏和_UNICODE宏来切换。
• 【Linux通常情况】在大多数Linux下的编译器中，char每个单位占一个字节，通常表示UTF-8字符集；wchar_t占四个字节，表示UTF-32字符集，大小端与CPU相关。没有TCHAR这种东西。

以上就是今天的总结，希望大家能够指出错误，定会加以改进。