Windows字符串深入详解

Windows字符串深入详解

本文围绕Windows来讲解字符串处理。任何一本讲编程语言的书籍都会有涉及到字符串处理，C里面用于字符串处理的一般是一些库函数strlen、strcmp、strcat等等，C++用于字符串处理的是string类。用这些函数或者类，一般就能达到我们的字符串处理需求。当开始涉及windows编程的时候，又出现了更多跟字符串相关的类型、宏和类，这不禁让很多新手一头雾水。本文将从C/C++字符处理开始，进而深入讨论各种字符编码，再到windows的字符串处理，让读者由浅入深了解字符串处理的各个细节。

一、C/C++字符串处理

C++用于保存字符的类型是char，从数据类型来看，char同short、int相比，仅仅是长度不一样，表示的数据范围不一样，没有其它什么差别。我们知道，当给char变量赋值一个字符时，实际上char变量保存的是该字符的ASCII码，既然short比char表示的数据范围大，字符能赋给char变量，当然也就能赋给short变量。因此，下面的语句都是没问题的。

char ch1 = 'a';
short ch2 = 'a';
int ch3 = 'a';

既然上面3条语句都没问题，为什么平时都是用第一种，而不是后面的两种呢？因为对于ASCII字符来说，只用一个字节的长度就能够编码，用下面的两种方式都存在存储空间的浪费。C++的各种I/O类也就只对char定义了不一样的<<操作符。下面的几条语句效果就不一样了

cout << ch1 << endl;
cout << ch2 << endl;
cout << ch3 << endl;

对于char类型，cout会将其输出为对应的ASCII字符，short和int型变量则只是输出它们内部存储的字符的ASCII码，这取决于iostream是如何对这3种类型重载<<操作符。

同理，我们在对char指针指向的字符串和short指针指向的字符串进行输出时，前者可以正确输出字符串的内容，后者只是输出指针的值。

二、字符串编码

2.1 GB2312

一开始计算机只在美国使用，用一个字节存储的ASCII字符已经够用了。但是后来，世界各地都开始使用计算机了，而且他们国家使用的不是英文，他们的字符在ASCII里面是没有的，为了可以在计算机保存他们的文字，它们决定采用127号之后的空位来表示这些新的字符，还加入了很多画表格时需要用下到的横线、竖线、交叉等形状，一直把序号编到了最后一个状态255。从128到255这段范围的字符称为“扩展字符集”。

等到中国人开始使用计算机时，已经没有多余的字节状态来表示汉字了。于是中国人想出了一套新的编码方案，将127号之后的符号都取消，重新规定：
一个小于127的字符的意义与原来相同，但两个大于127的字符连在一起时，就表示一个汉字，前面的一个字节（他称之为高节）从0xA1用到 0xF7，后面一个字节（低字节）从0xA1到0xFE，这样我们就可以组合出大约7000多个简体汉字了。在这些编码里，我们还把数学符号、罗马希腊的字母、日文的假名们都编进去了，连在 ASCII 里本来就有的数字、标点、字母都统统重新编了两个字节长的编码，这就是常说的”全角”字符，而原来在127号以下的那些就叫”半角”字符了。这种汉字方案叫做“GB2312”。unicode,ansi,utf-8,unicode big endian编码的区别

之所以要有半角和全角之分，是因为英文字符的宽度比汉字要窄很多，这样的英文字符和汉字放在一起会显得不协调。因此重新定义了字符的宽距版本，以便符合汉字的宽度。

2.2 GBK

但是中国的汉字太多了，很快就发现很多人的人名没办法打出来。于是干脆不再要求低字节一定是127号之后的内码，只要第一个字节是大于127就固定表示这是一个汉字的开始，不管后面跟的是不是扩展字符集里的内容。结果扩展之后的编码方案被称为 GBK 标准。

2.3 GB18060

前面两种编码方案，对于原有的ASCII字符还是使用一个字节编码，对于我们新增加的字符使用两个字节。这就是变长多字节字符集。GB18060是我国目前最新的变长多字节字符集，兼容GB2312、GBK以及Unicode3.1。每个字符可以由1个、2个或4个字节组成，支持国内少数民族文字，包含繁体汉字以及日韩汉字。它包括单字节的ASCII、双字节的GBK、