前一段时间在做一个xml解析工具,将内容解析之后, 截取其中的一段汉字(带标点数字等)显示在HTML 中,结果出现乱码。因为在UTF-8选择了使用可变长度字节来储存Unicode,ASCII字母继续使用1字节储存,重音文字、希腊字母或西里尔字母等使用2字节来储存,而常用的汉字就要使用3字节,辅助平面字符则使用4字节。如果使用普通的按字节数来截取的话,就可能会出现半个字符的情况,表现为乱码。我的处理方式是:将UTF-8编码转换为宽字节,然后进行字节截取,完成之后再转换回UTF-8。函数如下:
/*****************************************************************
name:changCharToWchar
input:const char* int
return: int
function:将UTF-8编码转换为宽字节,然后进行字节截取,完成之后再转换回UTF-8
*****************************************************************/
int changCharToWchar(const char *s,int k)
{
wchar_t dest[100]= {'\0'}; //以宽字节存储电影简介信息
char destC[100] = {0}; //处理完毕之后,存储电影简介信息
memset(destC,0,strlen(destC)); //初始化
memset(dest,0,sizeof(dest));
int i = 0 ,j = 0;
const char *src = s;
j = k; //传入的需要转换的字节数
setlocale(LC_CTYPE, ""); //使用系统的环境
int length = mbstowcs(dest,src,j);
length = length/2;
for (i = 0; i < length; i++)
{
wchar_t sub[100] = { 0 };
wcsncpy(sub, dest, i+1);
printf("sub=%s\n",sub);
int len = wcstombs(destC, sub, j);
}
}
我目前就这样处理的,还没有遇到什么问题。