宽字符与Unicode

在C语言中,我们使用char来定义字符,占用一个字节,最多只能表示128个字符,也就是ASCII码中的字符。计算机起源于美国,char 可以表示所有的英文字符,在以英语为母语的国家完全没有问题。

但是世界上存在很多不同的语言,例如汉语、汉语、日语等有成千上万个字符,需要用多个字节来表示,称之为 宽字符(Wide Character) 。Unicode 是宽字符编码的一种,已经被现代计算机指定为默认的编码方式,Windows 2000以后的操作系统,包括Windows 2000、XP、Vista、Win7、Win8、Win10、Windows Phone、Windows Server 等(它们统称为 Windows NT)都从底层支持Unicode,存取效率比 char 要高。

更多内容请查看: ASCII编码与Unicode编码

C语言中的宽字符

在C语言中,使用 wchar.h 头文件中的 wchar_t 来定义宽字符,例如:
wchar_t ch = 'A';
wchar_t 被定义为 typedef unsigned short wchar_t ,和一个无符号整型一样,占用两个字节。

如果定义宽字符串,需要加前缀 L ,例如:
wchar_t *str = L"C语言中文网";
L 是必须要加的,并且与字符串之间不能有空格,只有这样编译器才知道每个字符占用两个字节。

宽字符示例:
   
   
  1. #include <stdio.h>
  2. #include <wchar.h>
  3. int main(){
  4. char ch = 'A';
  5. wchar_t wch = 'A';
  6. char str[] = "C语言中文网";
  7. wchar_t wstr[] = L"C语言中文网";
  8. printf("ch=%d, wch=%d, str=%d, wstr=%d\n", sizeof(ch), sizeof(wch), sizeof(str), sizeof(wstr));
  9. return 0;
  10. }
运行结果:
ch=1, wch=2, str=12, wstr=14

wstr 之所以比 str 多两个字节是因为:字符 'C' 占用两个字节,字符串结束标志 '\0' 也占用两个字节。

宽字符串的长度

计算ASCII字符串长度使用 strlen 函数,计算宽字符串长度使用 wcslen 函数:
   
   
  1. #include <stdio.h>
  2. #include <wchar.h>
  3. #include <string.h>
  4. int main(){
  5. char str[] = "C语言中文网";
  6. wchar_t wstr[] = L"C语言中文网";
  7. printf("strlen(str)=%d, wcslen(wstr)=%d\n", strlen(str), wcslen(wstr));
  8. return 0;
  9. }
运行结果:
strlen(str)=11, wcslen(wstr)=6

strlen 的运行结果显然不正确,因为它把一个字节作为一个字符计算,而 wcslen 把两个字节作为一个字符计算。
注意:wcslen 在 string.h 和 wchar.h 头文件中均有说明。

维护一个版本的源代码

在 Windows NT 以前的操作系统中,甚至包括 Windows 98,对宽字符的支持都不是很好,所以大多情况下使用ASCII编码。Windows NT 推出以后,已经从底层支持了Unicode,所以在 Windows NT 上的程序大多使用Unicode。

如果你希望程序能够在各种版本的Windows操作系统中运行,那么就需要维护两个版本的源代码,ASCII 版和 Unicode 版。ASCII 字符和 Unicode 字符的定义、使用都不一样,要想在一个版本的源代码中做兼容处理会非常困难,要做大量的工作,对程序员来说简直是噩梦。

不过,Windows 又为我们做了一件好事,已经处理了兼容性问题。它是怎么做到的呢?

例如对于字符串,ASCII 中使用 char 来定义,而 Unicode 中使用 wchar_t 来定义,并且需要添加前缀 L 。那么在 windows.h 头文件中(或者是它包含的其他头文件)就这样来处理:
   
   
  1. #ifdef UNICODE
  2. typedef wchar_t TCHAR;
  3. #define TEXT(quote) L##quote
  4. #else
  5. typedef char TCHAR
  6. #define TEXT(quote) quote
  7. #endif
我们在源码中可以这样来使用:
TCHAR str[] = TEXT("C语言中文网");
如果是Unicode版,也就是定义了UNICODE宏,那么上面的语句等价于:
wchar_t str[] = L"C语言中文网";
如果是ASCII,也就是没有定义UNICODE宏,那么等价于:
char str[] = "C语言中文网";
在Windows中,随处可见这样的处理。虽然现代操作系统都已经支持Unicode,无需再考虑与ASCII的兼容性问题,但是依然要为这些历史问题付出代价。

总结:由于各种各样的原因,我们优先使用Windows定义的数据类型、宏、结构体等,这样编写的程序兼容性较好,不用考虑ASCII和Unicode的问题。但这也带来了一个挑战,就是要熟悉Window定义的数据类型、宏、结构体等。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值