写了n年程序，近来在字符串上栽了。:( 认真的研究了一些关于字符串的文章，在此记下。
许多关于字符串的问题，在文章最后的参考文章中，相信有更加深入和精确的描述。不过关于中文的处理，我想先补充一些自己的看法。
背景：WIN32 console程序，使用printf输出字符串。相信许多人都有使用过。
平台：VisualStudio.NET 2003（
MFC 7.1）。
| MBCS | UNICODE | |
| 蔡 | b2 cc | 21 85 |
| A | 41 00 | 41 00 |
程序段1：使用std::string
#include <string>
{
// NOTE: use s1._Bx._Buf to see the memory
std::string s1 ("蔡"); // b2 cc 00
}
{
std::wstring s1(L"蔡"); // b2 00 cc 00 00 00
}
以上代码，不管使用MBCS还是_UNICODE编译，得到的结果都是一样的。因为string (实际上是basic_string)不会自动进行从MBCS到UNICODE的转换。所以使用printf或者wprintf输出即可。前提当然是你的系统需要支持中文。
{
// NOTE: use s1._Bx._Buf to see the memory
std::string s1 ("蔡"); // b2 cc 00
}
{
std::wstring s1(L"蔡"); // b2 00 cc 00 00 00
}
以上代码，不管使用MBCS还是_UNICODE编译，得到的结果都是一样的。因为string (实际上是basic_string)不会自动进行从MBCS到UNICODE的转换。所以使用printf或者wprintf输出即可。前提当然是你的系统需要支持中文。
让我们把代码修改一下，希望可以输出字符串的内容：
{
std::string s1 ("蔡"); // b2 cc 00
OutputDebugStringA(s1.c_str());
printf(s1.c_str());
}
{
std::wstring s1(L"蔡"); // b2 00 cc 00 00 00
OutputDebugStringW(s1.c_str());
wprintf(s1.c_str());
}
OutputDebugString实际上就是ATLTRACE（）最后调用的函数，该函数向VisualStudio的Output窗口输出，而printf和wprintf向console窗口输出。最后的结果如何？OutputDebugStringW输出的是怪字符！！WHY？？ s1.c_str()传递给OutputDebugStringW和wprintf不是都是内容相同的LPCWSTR吗？
std::string s1 ("蔡"); // b2 cc 00
OutputDebugStringA(s1.c_str());
printf(s1.c_str());
}
{
std::wstring s1(L"蔡"); // b2 00 cc 00 00 00
OutputDebugStringW(s1.c_str());
wprintf(s1.c_str());
}
OutputDebugString实际上就是ATLTRACE（）最后调用的函数，该函数向VisualStudio的Output窗口输出，而printf和wprintf向console窗口输出。最后的结果如何？OutputDebugStringW输出的是怪字符！！WHY？？ s1.c_str()传递给OutputDebugStringW和wprintf不是都是内容相同的LPCWSTR吗？
1）因为OutputDebugStringW的字符串必须是真正UNICODE编码的字符串，而不是所有的const wchar_t*（即LPCWSTR）都可以得到正确结果。在这里s1虽然使用wchar_t类型，但是实际的内容却是MBCS编码。
2）反之亦然：CRT的wprintf只支持MBCS编码的字符串，而不能是UNICODE编码的字符串。在程序段2我们可以看到
真正的UNICODE编码的字符串。
这是我多年来的一个误区：wchar_t类型的字符串就是UNICODE字符串。实际应该理解为UNICODE是16位的字符集，可以使用wchar_t类型进行存储。
程序段2：使用CString
请看程序后面的说明。
1.
// START: compile with _UNICODE ///
2.
{
3.
CString s1 ("A"); // 41 00 00 00
4.
}
5.
{
6.
CString s1 (L"A"); // 41 00 00 00
7.
}
8.
{
9.
CString s1 (_T("A")); // 41 00 00 00
10.
}
11.
{
12.
CString s1 ("蔡"); // 21 85 00 00
13.
}
14.
{
15.
CString s1 (L"蔡"); // b2 00 cc 00 00 00
16.
}
17.
{
18.
CString s1 (_T("蔡")); // b2 00 cc 00 00 00
19.
}
20.
// END: compile with _UNICODE ///
21.
// START: compile with _MBCS ///
22.
{
23.
CString s1 ("A"); // 41 00
24.
}
25.
{
26.
CString s1 (L"A"); // 41 00
27.
}
28.
{
29.
CString s1 (_T("A")); // 41 00
30.
}
31.
{
32.
CString s1 ("蔡"); // b2 cc 00
33.
}
34.
{
35.
CString s1 (L"蔡"); // 32 a8 ac 00
36.
}
37.
{
38.
CString s1 (_T("蔡")); // b2 cc 00
39.
}
40.
// END: compile with _MBCS ///
1）对于英文字母‘A’，MBCS和UNICODE的结果都是一样的
2）Line 15.
CString s1 (L"蔡"); // b2 00 cc 00 00 00
得到的还是MBCS的字符串，只是增加了0作为trail byte。而不是我理解的UNICODE字符串！这是我多年来的另外一个误区：_T在_UNICODE下转换为L，而L后面的字符串是UNICODE编码。在参考资料MSDN的“
TCHAR.H 中的一般文本映射”中（以及MSDN的许多地方），可以看到类似的说明：
一般文本数据类型映射
| 一般文本数据类型名 | 未定义 _UNICODE 或 _MBCS | 已定义 _MBCS | 已定义 _UNICODE |
|---|---|---|---|
| _TCHAR | char | char | wchar_t |
| _TINT | int | int | wint_t |
| _TSCHAR | signed char | signed char | wchar_t |
| _TUCHAR | unsigned char | unsigned char | wchar_t |
| _TXCHAR | char | unsigned char | wchar_t |
| _T 或 _TEXT | 无效（由预处理器移除） | 无效（由预处理器移除） | L（将后面的字符或字符串转换成相应的 Unicode 形式） |
实际上
L"xxx"只是通知编译器，我们需要的是wchar_t类型的字符串，而不能影响编码。
真正的UNICODE字符串在哪里？
3）Line 12：
等同于
CStringW s1 ("蔡"); // 21 85 00 00
我们看到，得到了真正的UNICODE 字符串。因为CString（在MFC 7.1中，不存在MFC的CString，实际上由ATL::CStringT通过typedef定义而得）的构造函数，在这里实际上是CStringW的构造函数，根据输入的参数是char类型字符串，会自动调用
MultiByteToWideChar转换MBCS字符串为UNICODE字符串。
4）相应Line 12，那么Line 35得到的结果32 a8 ac 00是什么？和Line 12类似：
CString构造函数，在这里实际上是CStringA的构造函数，根据输入的参数是wchar_t类型字符串，会自动调用
WideCharToMultiByte转换UNICODE字符串为MBCS字符串。但是根据2），我们知道，输入的参数不是UNICODE字符串，只是MBCS的wchar_t类型字符串，所以得到的是错误的编码。
总结以上，可知：
1）CRT不能生成和处理UNICODE类型字符串，对于wchar_t类型字符串，只能处理MBCS编码；
2）VC RunTime中带W后缀的函数，和所有的COM函数，对于wchar_t类型字符串，只能处理UNICODE编码；
3）如果不考虑输出，只是进行拷贝、比较等操作，只要注意_T的含义和字符串的字符类型长度就可以了；但是如果需要输出，必须注意字符串的编码转换。
4）使用UNICODE或者MBCS的编译选项，只是影响字符串的字符类型（自动识别_T，CString等，自动把函数转换为xxxxA()或者xxxxW()），不影响字符串的编码。下表的代码结果不受编译选项影响（这也是编译器处理_T，CString等后的结果）：
4）使用UNICODE或者MBCS的编译选项，只是影响字符串的字符类型（自动识别_T，CString等，自动把函数转换为xxxxA()或者xxxxW()），不影响字符串的编码。下表的代码结果不受编译选项影响（这也是编译器处理_T，CString等后的结果）：
| CStringA s = "xxx"; // 等于 CA2A("xxx") 结果为SBCS（单字节编码） printf()正确 OutputDebugStringA()正确 | CStringW s = "xxx"; // 等于 CA2W("xxx") 结果为UNICODE编码 wprintf()错误 OutputDebugStringW()正确 |
| CStringA s ＝ L"xxx"; // 等于 CW2A(L"xxx") 结果为MBCS编码（可能错误） printf()错误 OutputDebugStringA()错误 | CStringW s = L"xxx"; // 等于 CW2W("xxx") 不改变字符串的编码，仍然是MBCS。 wprintf()正确 OutputDebugStringW()错误 |
疑问：我认为对于CW2W是由系统编码决定，可以直接得到UNICODE吗？
关于CW2A，如果后面的字符串的确是UNICODE编码，则可以得到正确的相应MBCS编码字符串。实际上，这也是我们要输出UNICODE的方法：
CStringW s = "蔡"; // s 现在是UNICODE编码
// wprintf(s)不正确
CW2A psz(s); // psz现在是s相应的正确的MBCS编码！
printf(psz); // 正确
// All is OK, a little more to say
CA2W wsz(psz); // wsz现在是psz的错误的UNICODE编码，即32 a8 ac 00
推荐参考资料
- The Complete Guide to C++ Strings：个人认为很好和很全面的文章
The Complete Guide to C++ Strings, Part I - Win32 Character Encodings
The Complete Guide to C++ Strings, Part I - Win32 Character Encodings
http://www.codeproject.com/string/cppstringguide2.asp
- 这2篇是不错的中文翻译。 :)
C++字符串完全指引之一 —— Win32 字符编码
http://www.vckbase.com/document/viewdoc/?id=1082
C++字符串完全指引之二 —— 字符串封装类
http://www.vckbase.com/document/viewdoc/?id=1096
来自：http://blog.csdn.net/ecai/archive/2004/12/07/207148.aspx - 其它一篇STL 字符串类与 UNICODE
http://www.vckbase.com/vckbase/default.aspx - 当然，少不了MSDN
TCHAR.H 中的一般文本映射
http://msdn.microsoft.com/library/chs/default.asp?url=/library/CHS/vccore/html/_core_generic.2d.text_mappings_in_tchar..h.asp
建议：最好把整个“国际编程”目录看一次（虽然看完还是糊涂 :) ）
http://msdn.microsoft.com/library/CHS/vccore/html/_core_International_Programming_Topics.asp
扫一扫
122
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
