C++字符串完全指引之一 —— Win32 字符編碼

1、C+字符串完全指引之一 Win32 字符編碼原著：Michael Dunn翻譯：Chengjie Sun原文出處：CodeProject：The Complete Guide to C+ Strings, Part I引言毫無(wú)疑問(wèn)，我們都看到過(guò)像 TCHAR, std:string, BSTR 等各種各樣的字符串類(lèi)型，還有那些以 _tcs 開(kāi)頭的奇怪的宏。你也許正在盯著顯示器發(fā)愁。本指引將總結(jié)引進(jìn)各種字符類(lèi)型的目的，展示一些簡(jiǎn)單的用法，并告訴您在必要時(shí)，如何實(shí)現(xiàn)各種字符串類(lèi)型之間的轉(zhuǎn)換。在第一部分，我們將介紹3種字符編碼類(lèi)型。了解各種編碼模式的工作方式是很重要的事情。即使你已經(jīng)知道一個(gè)字符串是

2、一個(gè)字符數(shù)組，你也應(yīng)該閱讀本部分。一旦你了解了這些，你將對(duì)各種字符串類(lèi)型之間的關(guān)系有一個(gè)清楚地了解。在第二部分，我們將單獨(dú)講述string類(lèi)，怎樣使用它及實(shí)現(xiàn)他們相互之間的轉(zhuǎn)換。字符基礎(chǔ) - ASCII, DBCS, Unicode所有的 string 類(lèi)都是以C-style字符串為基礎(chǔ)的。C-style 字符串是字符數(shù)組。所以我們先介紹字符類(lèi)型。這里有3種編碼模式對(duì)應(yīng)3種字符類(lèi)型。第一種編碼類(lèi)型是單子節(jié)字符集（single-byte character set or SBCS）。在這種編碼模式下，所有的字符都只用一個(gè)字節(jié)表示。ASCII是SBCS。一個(gè)字節(jié)表示的0用來(lái)標(biāo)志SBCS字符串的結(jié)束

3、。第二種編碼模式是多字節(jié)字符集（multi-byte character set or MBCS）。一個(gè)MBCS編碼包含一些一個(gè)字節(jié)長(zhǎng)的字符，而另一些字符大于一個(gè)字節(jié)的長(zhǎng)度。用在Windows里的MBCS包含兩種字符類(lèi)型，單字節(jié)字符（single-byte characters）和雙字節(jié)字符（double-byte characters）。由于Windows里使用的多字節(jié)字符絕大部分是兩個(gè)字節(jié)長(zhǎng)，所以MBCS常被用DBCS代替。在DBCS編碼模式中，一些特定的值被保留用來(lái)表明他們是雙字節(jié)字符的一部分。例如，在Shift-JIS編碼中（一個(gè)常用的日文編碼模式），0x81-0x9f之間和 0xe0

4、-oxfc之間的值表示"這是一個(gè)雙字節(jié)字符，下一個(gè)子節(jié)是這個(gè)字符的一部分。"這樣的值被稱(chēng)作"leading bytes",他們都大于0x7f。跟隨在一個(gè)leading byte子節(jié)后面的字節(jié)被稱(chēng)作"trail byte"。在DBCS中，trail byte可以是任意非0值。像SBCS一樣，DBCS字符串的結(jié)束標(biāo)志也是一個(gè)單字節(jié)表示的0。第三種編碼模式是Unicode。Unicode是一種所有的字符都使用兩個(gè)字節(jié)編碼的編碼模式。Unicode字符有時(shí)也被稱(chēng)作寬字符，因?yàn)樗葐巫庸?jié)字符寬（使用了更多的存儲(chǔ)空間）。注意，Unicode不能被

5、看作MBCS。MBCS的獨(dú)特之處在于它的字符使用不同長(zhǎng)度的字節(jié)編碼。Unicode字符串使用兩個(gè)字節(jié)表示的0作為它的結(jié)束標(biāo)志。單字節(jié)字符包含拉丁文字母表，accented characters及ASCII標(biāo)準(zhǔn)和DOS操作系統(tǒng)定義的圖形字符。雙字節(jié)字符被用來(lái)表示東亞及中東的語(yǔ)言。Unicode被用在COM及Windows NT操作系統(tǒng)內(nèi)部。你一定已經(jīng)很熟悉單字節(jié)字符。當(dāng)你使用char時(shí)，你處理的是單字節(jié)字符。雙字節(jié)字符也用char類(lèi)型來(lái)進(jìn)行操作（這是我們將會(huì)看到的關(guān)于雙子節(jié)字符的很多奇怪的地方之一）。Unicode字符用wchar_t來(lái)表示。Unicode字符和字符串常量用前綴L來(lái)表示。例如：w

6、char_t wch = L''1'' / 2 bytes, 0x0031wchar_t* wsz = L"Hello" / 12 bytes, 6 wide characters字符在內(nèi)存中是怎樣存儲(chǔ)的單字節(jié)字符串：每個(gè)字符占一個(gè)字節(jié)按順序依次存儲(chǔ)，最后以單字節(jié)表示的0結(jié)束。例如。"Bob"的存貯形式如下：426F6200BobBOSUnicode的存儲(chǔ)形式，L"Bob"42 00 6F 0062 0000 00BobBOS使用兩個(gè)字節(jié)表示的0來(lái)做結(jié)束標(biāo)志。一眼看上去，DBCS 字符串很像 SBCS

7、字符串，但是我們一會(huì)兒將看到 DBCS 字符串的微妙之處，它使得使用字符串操作函數(shù)和永字符指針遍歷一個(gè)字符串時(shí)會(huì)產(chǎn)生預(yù)料之外的結(jié)果。字符串" " ("nihongo")在內(nèi)存中的存儲(chǔ)形式如下（LB和TB分別用來(lái)表示 leading byte 和 trail byte）93 FA96 7B8C EA00LB TBLB TBLB TBEOSEOS值得注意的是，"ni"的值不能被解釋成WORD型值0xfa93，而應(yīng)該看作兩個(gè)值93和fa以這種順序被作為"ni"的編碼。使用字符串處理函數(shù)我們都已經(jīng)見(jiàn)過(guò)C語(yǔ)言中的字符串函數(shù)，

8、strcpy(), sprintf(), atoll()等。這些字符串只應(yīng)該用來(lái)處理單字節(jié)字符字符串。標(biāo)準(zhǔn)庫(kù)也提供了僅適用于Unicode類(lèi)型字符串的函數(shù)，比如wcscpy(), swprintf(), wtol()等。微軟還在它的CRT(C runtime library)中增加了操作DBCS字符串的版本。Str*()函數(shù)都有對(duì)應(yīng)名字的DBCS版本_mbs*()。如果你料到可能會(huì)遇到DBCS字符串（如果你的軟件會(huì)被安裝在使用DBCS編碼的國(guó)家，如中國(guó)，日本等，你就可能會(huì)），你應(yīng)該使用_mbs*()函數(shù)，因?yàn)樗麄円部梢蕴幚鞸BCS字符串。（一個(gè)DBCS字符串也可能含有單字節(jié)字符，這就是為什么_

9、mbs*()函數(shù)也能處理SBCS字符串的原因）讓我們來(lái)看一個(gè)典型的字符串來(lái)闡明為什么需要不同版本的字符串處理函數(shù)。我們還是使用前面的Unicode字符串 L"Bob"：42 00 6F 0062 0000 00BobBOS因?yàn)閤86CPU是little-endian，值0x0042在內(nèi)存中的存儲(chǔ)形式是42 00。你能看出如果這個(gè)字符串被傳給strlen()函數(shù)會(huì)出現(xiàn)什么問(wèn)題嗎？它將先看到第一個(gè)字節(jié)42，然后是00，而00是字符串結(jié)束的標(biāo)志，于是strlen()將會(huì)返回1。如果把"Bob"傳給wcslen()，將會(huì)得出更壞的結(jié)果。wcslen()將會(huì)先看到

10、0x6f42，然后是0x0062，然后一直讀到你的緩沖區(qū)的末尾，直到發(fā)現(xiàn)00 00結(jié)束標(biāo)志或者引起了GPF。到目前為止，我們已經(jīng)討論了str*()和wcs*()的用法及它們之間的區(qū)別。Str*()和_mbs*()之間的有區(qū)別區(qū)別呢？明白他們之間的區(qū)別，對(duì)于采用正確的方法來(lái)遍歷DBCS字符串是很重要的。下面，我們將先介紹字符串的遍歷，然后回到str*()與_mbs*()之間的區(qū)別這個(gè)問(wèn)題上來(lái)。正確的遍歷和索引字符串因?yàn)槲覀冎写蠖鄶?shù)人都是用著SBCS字符串成長(zhǎng)的，所以我們?cè)诒闅v字符串時(shí)，常常使用指針的+-和-操作。我們也使用數(shù)組下標(biāo)的表示形式來(lái)操作字符串中的字符。這兩種方式是用于SBCS和Unic

11、ode字符串，因?yàn)樗鼈冎械淖址兄嗤膶挾?，編譯器能正確的返回我們需要的字符。然而，當(dāng)碰到DBCS字符串時(shí)，我們必須拋棄這些習(xí)慣。這里有使用指針遍歷DBCS字符串時(shí)的兩條規(guī)則。違背了這兩條規(guī)則，你的程序就會(huì)存在DBCS有關(guān)的bugs。· 1在前向遍歷時(shí)，不要使用+操作，除非你每次都檢查lead byte； · 2永遠(yuǎn)不要使用-操作進(jìn)行后向遍歷。 我們先來(lái)闡述規(guī)則2，因?yàn)檎业揭粋€(gè)違背它的真實(shí)的實(shí)例代碼是很容易的。假設(shè)你有一個(gè)程序在你自己的目錄里保存了一個(gè)設(shè)置文件，你把安裝目錄保存在注冊(cè)表中。在運(yùn)行時(shí)，你從注冊(cè)表中讀取安裝目錄，然后合成配置文件名，接著讀取該文件。假設(shè)，你的安

12、裝目錄是C:Program FilesMyCoolApp，那么你合成的文件名應(yīng)該是C:Program FilesMyCoolAppconfig.bin。當(dāng)你進(jìn)行測(cè)試時(shí)，你發(fā)現(xiàn)程序運(yùn)行正?！，F(xiàn)在，想象你合成文件名的代碼可能是這樣的：bool GetConfigFileName ( char* pszName, size_t nBuffSize ) char szConfigFilenameMAX_PATH; / Read install dir from registry. we''ll assume it succeeds. / Add on a backslash if it

13、 wasn''t present in the registry value. / First, get a pointer to the terminating zero. char* pLastChar = strchr ( szConfigFilename, ''0'' ); / Now move it back one character. pLastChar-; if ( *pLastChar != '''' ) strcat ( szConfigFilename, "" ); / A

14、dd on the name of the config file. strcat ( szConfigFilename, "config.bin" ); / If the caller''s buffer is big enough, return the filename. if ( strlen ( szConfigFilename ) >= nBuffSize ) return false; else strcpy ( pszName, szConfigFilename ); return true; 這是一段很健壯的代碼，然而在遇到 DBCS

15、 字符時(shí)它將會(huì)出錯(cuò)。讓我們來(lái)看看為什么。假設(shè)一個(gè)日本用戶(hù)使用了你的程序，把它安裝在 C:。下面是這個(gè)名字在內(nèi)存中的存儲(chǔ)形式： 433A5C83 8883 4583 5283 5C00LB TB LB TB LB TB LB TB C:EOS當(dāng)使用 GetConfigFileName() 檢查尾部的''''時(shí)，它尋找安裝目錄名中最后的非0字節(jié)，看它是等于''''的，所以沒(méi)有重新增加一個(gè)''''。結(jié)果是代碼返回了錯(cuò)誤的文件名。哪里出錯(cuò)了呢？看看上面兩個(gè)被用藍(lán)色高量顯示的字節(jié)。斜杠''&#

16、39;'的值是0x5c。'' ''的值是83 5c。上面的代碼錯(cuò)誤的讀取了一個(gè) trail byte，把它當(dāng)作了一個(gè)字符。正確的后向遍歷方法是使用能夠識(shí)別DBCS字符的函數(shù)，使指針移動(dòng)正確的字節(jié)數(shù)。下面是正確的代碼。（指針移動(dòng)的地方用紅色標(biāo)明） bool FixedGetConfigFileName ( char* pszName, size_t nBuffSize ) char szConfigFilenameMAX_PATH; / Read install dir from registry. we''ll assume it suc

17、ceeds. / Add on a backslash if it wasn''t present in the registry value. / First, get a pointer to the terminating zero. char* pLastChar = _mbschr ( szConfigFilename, ''0'' ); / Now move it back one double-byte character. pLastChar = CharPrev ( szConfigFilename, pLastChar );

18、if ( *pLastChar != '''' ) _mbscat ( szConfigFilename, "" ); / Add on the name of the config file. _mbscat ( szConfigFilename, "config.bin" ); / If the caller''s buffer is big enough, return the filename. if ( _mbslen ( szInstallDir ) >= nBuffSize ) retu

19、rn false; else _mbscpy ( pszName, szConfigFilename ); return true; 上面的函數(shù)使用CharPrev() API使pLastChar向后移動(dòng)一個(gè)字符，這個(gè)字符可能是兩個(gè)字節(jié)長(zhǎng)。在這個(gè)版本里，if條件正常工作，因?yàn)閘ead byte永遠(yuǎn)不會(huì)等于0x5c。讓我們來(lái)想象一個(gè)違背規(guī)則1的場(chǎng)合。例如，你可能要檢測(cè)一個(gè)用戶(hù)輸入的文件名是否多次出現(xiàn)了'':''。如果，你使用+操作來(lái)遍歷字符串，而不是使用CharNext()，你可能會(huì)發(fā)出不正確的錯(cuò)誤警告如果恰巧有一個(gè)trail byte它的值的等于'

20、9;:''的值。與規(guī)則2相關(guān)的關(guān)于字符串索引的規(guī)則：2a. 永遠(yuǎn)不要使用減法去得到一個(gè)字符串的索引。違背這條規(guī)則的代碼和違背規(guī)則2的代碼很相似。例如，char* pLastChar = &szConfigFilename strlen(szConfigFilename) - 1;這和向后移動(dòng)一個(gè)指針是同樣的效果?；氐疥P(guān)于str*()和_mbs*()的區(qū)別現(xiàn)在，我們應(yīng)該很清楚為什么_mbs*()函數(shù)是必需的。Str*()函數(shù)根本不考慮DBCS字符，而_mbs*()考慮。如果，你調(diào)用strrchr("C: ", '''')

21、，返回結(jié)果可能是錯(cuò)誤的，然而_mbsrchr()將會(huì)認(rèn)出最后的雙字節(jié)字符，返回一個(gè)指向真的''''的指針。關(guān)于字符串函數(shù)的最后一點(diǎn)：str*()和_mbs*()函數(shù)認(rèn)為字符串的長(zhǎng)度都是以char來(lái)計(jì)算的。所以，如果一個(gè)字符串包含3個(gè)雙字節(jié)字符，_mbslen()將會(huì)返回6。Unicode函數(shù)返回的長(zhǎng)度是按wchar_t來(lái)計(jì)算的。例如，wcslen(L"Bob")返回3。Win32 API中的MBCS和Unicode兩組 APIs： 盡管你也許從來(lái)沒(méi)有注意過(guò)，Win32中的每個(gè)與字符串相關(guān)的API和message都有兩個(gè)版本。一個(gè)版本接受MBC

22、S字符串，另一個(gè)接受Unicode字符串。例如，根本沒(méi)有SetWindowText()這個(gè)API，相反，有SetWindowTextA()和SetWindowTextW()。后綴A表明這是MBCS函數(shù)，后綴W表示這是Unicode版本的函數(shù)。當(dāng)你 build 一個(gè) Windows 程序，你可以選擇是用 MBCS 或者 Unicode APIs。如果，你曾經(jīng)用過(guò)VC向?qū)Р⑶覜](méi)有改過(guò)預(yù)處理的設(shè)置，那表明你用的是MBCS版本。那么，既然沒(méi)有 SetWindowText() API，我們?yōu)槭裁纯梢允褂盟兀縲inuser.h頭文件包含了一些宏，例如： BOOL WINAPI SetWindowText

23、A ( HWND hWnd, LPCSTR lpString );BOOL WINAPI SetWindowTextW ( HWND hWnd, LPCWSTR lpString ); #ifdef UNICODE#define SetWindowText SetWindowTextW#else#define SetWindowText SetWindowTextA#endif 當(dāng)使用MBCS APIs來(lái)build程序時(shí)，UNICODE沒(méi)有被定義，所以預(yù)處理器看到：#define SetWindowText SetWindowTextA這個(gè)宏定義把所有對(duì)SetWindowText的調(diào)用都轉(zhuǎn)換成

24、真正的API函數(shù)SetWindowTextA。（當(dāng)然，你可以直接調(diào)用SetWindowTextA() 或者 SetWindowTextW()，雖然你不必那么做。）所以，如果你想把默認(rèn)使用的API函數(shù)變成Unicode版的，你可以在預(yù)處理器設(shè)置中，把_MBCS從預(yù)定義的宏列表中刪除，然后添加UNICODE和_UNICODE。(你需要兩個(gè)都定義，因?yàn)椴煌念^文件可能使用不同的宏。) 然而，如果你用char來(lái)定義你的字符串，你將會(huì)陷入一個(gè)尷尬的境地?？紤]下面的代碼：HWND hwnd = GetSomeWindowHandle();char szNewText = "we love Bob

25、!"SetWindowText ( hwnd, szNewText );在預(yù)處理器把SetWindowText用SetWindowTextW來(lái)替換后，代碼變成：HWND hwnd = GetSomeWindowHandle();char szNewText = "we love Bob!"SetWindowTextW ( hwnd, szNewText );看到問(wèn)題了嗎？我們把單字節(jié)字符串傳給了一個(gè)以Unicode字符串做參數(shù)的函數(shù)。解決這個(gè)問(wèn)題的第一個(gè)方案是使用 #ifdef 來(lái)包含字符串變量的定義：HWND hwnd = GetSomeWindowHandle

26、();#ifdef UNICODEwchar_t szNewText = L"we love Bob!"#elsechar szNewText = "we love Bob!"#endifSetWindowText ( hwnd, szNewText );你可能已經(jīng)感受到了這樣做將會(huì)使你多么的頭疼。完美的解決方案是使用TCHAR.使用TCHARTCHAR是一種字符串類(lèi)型，它讓你在以MBCS和UNNICODE來(lái)build程序時(shí)可以使用同樣的代碼，不需要使用繁瑣的宏定義來(lái)包含你的代碼。TCHAR的定義如下：#ifdef UNICODEtypedef wcha

27、r_t TCHAR;#elsetypedef char TCHAR;#endif所以用MBCS來(lái)build時(shí)，TCHAR是char，使用UNICODE時(shí)，TCHAR是wchar_t。還有一個(gè)宏來(lái)處理定義Unicode字符串常量時(shí)所需的L前綴。#ifdef UNICODE#define _T(x) L#x#else#define _T(x) x#endif#是一個(gè)預(yù)處理操作符，它可以把兩個(gè)參數(shù)連在一起。如果你的代碼中需要字符串常量，在它前面加上_T宏。如果你使用Unicode來(lái)build，它會(huì)在字符串常量前加上L前綴。TCHAR szNewText = _T("we love Bob!

28、");像是用宏來(lái)隱藏SetWindowTextA/W的細(xì)節(jié)一樣，還有很多可以供你使用的宏來(lái)實(shí)現(xiàn)str*()和_mbs*()等字符串函數(shù)。例如，你可以使用_tcsrchr宏來(lái)替換strrchr()、_mbsrchr()和wcsrchr()。_tcsrchr根據(jù)你預(yù)定義的宏是_MBCS還是UNICODE來(lái)擴(kuò)展成正確的函數(shù)，就像SetWindowText所作的一樣。不僅str*()函數(shù)有TCHAR宏。其他的函數(shù)如， _stprintf（代替sprinft()和swprintf()）,_tfopen（代替fopen()和_wfopen()）。 MSDN中"Generic-Text

29、Routine Mappings."標(biāo)題下有完整的宏列表。字符串和TCHAR typedefs由于Win32 API文檔的函數(shù)列表使用函數(shù)的常用名字（例如，"SetWindowText"），所有的字符串都是用TCHAR來(lái)定義的。（除了XP中引入的只適用于Unicode的API）。下面列出一些常用的typedefs，你可以在msdn中看到他們。type Meaning in MBCS builds Meaning in Unicode buildsWCHARwchar_twchar_tLPSTR zero-terminated string of char (cha

30、r*)zero-terminated string of char (char*)LPCSTR constant zero-terminated string of char (const char*)constant zero-terminated string of char (const char*)LPWSTRzero-terminated Unicode string (wchar_t*) zero-terminated Unicode string (wchar_t*)LPCWSTRconstant zero-terminated Unicode string (const wch

31、ar_t*)constant zero-terminated Unicode string (const wchar_t*) TCHARcharwchar_tLPTSTRzero-terminated string of TCHAR (TCHAR*) zero-terminated string of TCHAR (TCHAR*)LPCTSTR constant zero-terminated string of TCHAR (const TCHAR*)constant zero-terminated string of TCHAR (const TCHAR*)何時(shí)使用 TCHAR 和 Unicode到現(xiàn)在，你可能會(huì)問(wèn)，我們?yōu)槭裁匆褂肬nicode。我已經(jīng)用了很多年的char。下列3種情況下，使用Unicode將會(huì)使你受益：· 1你的程序只運(yùn)行在Windows NT系統(tǒng)中。 · 2 你的程序需要處理超過(guò)MAX_PATH個(gè)字符長(zhǎng)的文件名。 · 3 你的程序需要使用XP中引入的只有Unicode版本的API. Windows 9x 中大多數(shù)的 API 沒(méi)有實(shí)現(xiàn) Unicode 版本。所以，如果你的程序要在windows 9x中運(yùn)