Qt中字符编码问题-1

一、一个简单的 Qt程序

下面这个小程序，估计大家会感到比较亲切。似乎有相当多的中文用户尝试写过这样的代码：

#include <QtGui/QApplication>

#include <QtGui/QLabel>

int main(int argc, char **argv)

{

QApplication app(argc, argv);

QString a= " 我是汉字";

QLabel label(a);

label.show();

return app.exec();

}

编码，保存，编译，运行，一切都很顺利，可是结果呢：

[list=disc]

多数用户看到	其他用户看到
ÎòêÇoo×Ö	我æ˜ˉæ±‰å —

出乎意料，界面上中文没显示出来，出现了不认识字符。  于是开始用搜索引擎搜索，开始上论坛发帖或抱怨

最后被告知，下面的语句之一可以解决问题：

QTextCodec::setCodecForCStrings(QTextCodec::codecForName("GB2312"));

QTextCodec::setCodecForCStrings(QTextCodec::codecForName("UTF-8"));

两条指令挨个一试，确实可以解决( 多数用户是第一条，其他用户是第二条) 。那么，为什么会这样呢？

二、两种乱码什么时候出现

对这个问题，我想大家可能都有话说。在继续之前，我们先列个表，看看两种乱码分别在那种情况下出现：

我们只列举大家最常用的3 个编译器( 微软VS 的中的 cl ，Mingw 中的g++ ，Linux 下的 g++) ，源代码分别采用 GBK 和  不带BOM的UTF-8 以及  带BOM的UTF-8 这3 中编码进行保存。

[list=disc]

源代码的编码	编译器	结果
GBK	cl	1	*
	mingw-g++	1	*
	g++	1
UTF-8(不带BOM)	cl	2
	mingw-g++	2
	g++	2	*
UTF-8(带BOM)	cl	1
	mingw-g++	2
	g++	编译失败

采用3 种不同编码保存的源代码文件，分别用3 种不同的编译器编译，形成9 种组合，除掉一种不能工作的情况，两种乱码出现的情况各占一半。

从中我们也可以看出，乱码和操作系统原本是没有关系的。但我们在 Windows 一般用的GBK ，linux 一般用的是不带BOM 的UTF-8 。如果我们只考虑带 * 的情况，也可以说两种乱码和系统有关。

三、QString为什么会乱码呢

真的是 QString  乱码了吗？我们可以问问自己，我们抱怨的对象是不是搞错了？

继续之前，先明确几个概念：

明确概念0：

[list=disc]

• "我是汉字" 是C语言中的字符串，它是char型的窄字符串。上面的例子可写为

const char * str = " 我是汉字";

QString a= str;

或

char str[] = " 我是汉字";

QString a= str;

等

明确概念1：

[list=disc]

• 源文件是有编码的，但是这种纯文本文件却不会记录自己采用的编码

这个是问题的根源，不妨做个试验，将前面的源代码保存成GBK 编码，用16 进制编辑器能看到引号内是ce d2 ca c7 ba ba d7 d6 这样8 个字节。

现在将该文件拷贝到正体( 繁体) 中文的Windows 中，用记事本打开会什么样子呢？

...

QString a= " 扂岆犖趼";

QLabel label(a);

label.show();

...

那么放到欧美人的Windows 系统中，再用记事本打开呢？

...

QString a= "ÎòêÇoo×Ö";

QLabel label(a);

label.show();

...

同一个文件，未做任何修改，但其中的8 个字节ce d2 ca c7 ba ba d7 d6, 对用GBK 的大陆人，用BIG5 的港澳台同胞，以及用Latin-1 的欧洲人看来，看到的却是完全不同的文字。

明确概念2：

[list=disc]

• 如同我们都了解的'A'与'\x41'等价一样。

GBK 编码下的

const char * str = " 我是汉字"

等价于

const char * str ="\xce\xd2\xca\xc7\xba\xba\xd7\xd6";

当用UTF-8 编码时，等价于

const char * str = "\xe6\x88\x91\xe6\x98\xaf\xe6\xb1\x89\xe5\xad\x97";

注意：这个说法不全对，比如保存成带BOM 的UTF-8 ，用cl 编译器时，汉字本身是UTF-8 编码，但程序内保存时却是对应的GBK 编码。

明确概念3：

[list=disc]

• QString 内部采用的是Unicode。

QString 内部采用的是 Unicode ，它可以同时存放GBK 中的字符" 我是汉字",BIG5 中的字符" 扂岆犖趼" 以及Latin-1 中的字符"ÎòêÇoo×Ö" 。

一个问题是，源代码中的这8 个字节"\xce\xd2\xca\xc7\xba\xba\xd7\xd6" ，该怎么转换成Unicode 并存到 QString 内？按照GBK 、BIG5 、Latin-1 还是其他方式...

在你不告诉它的情况下，它默认选择了Latin-1 ，于是8 个字符"ÎòêÇoo×Ö" 的unicode 码被存进了QString 中。最终，8 个Latin 字符出现在你期盼看到4 中文字符的地方，所谓的乱码出现了

四、QString工作方式

const char * str = " 我是汉字";

QString a= str;

其实很简单的一个问题，当你需要从窄字符串 char*  转成Unicode 的QString 字符串的，你需要告诉QString 你的这串char* 中究竟是什么编码？GBK 、BIG5 、Latin-1

理想情况就是：将char*  传给QString 时，同时告诉QString 自己的编码是什么：

就像下面的函数一样，QString 的成员函数知道按照何种编码来处理 C 字符串

QString QString::fromAscii ( const char *str, int size = -1 )

QString QString::fromLatin1 ( const char * str, int size = -1 )

QString QString::fromLocal8Bit ( const char * str, int size = -1 )

QString QString::fromUtf8 ( const char * str, int size = -1 )

单QString  只提供了这几个成员函数，远远满足不了大家的需求，比如，在简体中文Windows 下，local8Bit 是GBK ，可是有一个char 串是 BIG5 或 Latin-2 怎么办？

那就动用强大的QTextCodec 吧，首先QTextCodec 肯定知道自己所负责的编码的，然后你把一个char 串送给它，它就能正确将其转成Unicode 了。

QString QTextCodec::toUnicode ( const char* chars ) const

可是这个调用太麻烦了，我就想直接

QString a= str;

或

QString a(str);

这样用怎么办？

这样一来肯定没办法同时告诉 QString  你的str 是何种编码了，只能通过其他方式了。这也就是开头提到的

QTextCodec::setCodecForCStrings(QTextCodec::codecForName("GBK"));

QTextCodec::setCodecForCStrings(QTextCodec::codecForName("UTF-8"));

设置QString 默认采用的编码。而究竟采用哪一个，一般来说就是源代码是GBK ，就用GBK ，源代码是UTF-8 就用UTF-8 。但有一个例外，如果你保存成了带BOM 的UTF-8 而且用的微软的cl 编译器，此时仍是GBK 。