Linux下在程序中如何进行繁体中文和简体中文的转换

Linux下在程序中如何进行繁体中文和简体中文的转换

欢迎转载，转载请注明作者RunningOn
20111019
    首先发个牢骚吧，简繁转换的问题让我在网上搜了好久都没有好的答案，得到的回答尽是让我建个简繁体字的对照表然后自己查表。我就不信了，这都什么年代了，这么常规的功能还要自己造轮子。果然工夫不负苦心人，轮子终于让我找到了，名叫opencc，ibus-pinyin里的繁体部分使用了它，项目主页地址：
    http://code.google.com/p/opencc/
    不过opencc没有一个简单的教程挺让我抓狂，自己看它的源代码才搞清楚怎么弄，为造福各位和我一样为简繁转换苦恼了很久的童鞋，本人献上这篇文章，欢迎转载，转载请注明作者RunningOn。
    在献上教程之前，提醒下面两类童鞋可以不用看本文：
    1. 写Windows程序的人。Windows自己提供了LCMapString API可以做简繁转换，搜它就行了，网上例程也多。
    2. 用python的人。python下我使用过两个包，一个是jianfan，简单直观，但有bug，有些常用的字都不能转换，推荐度一般。另外一个是opencc的python绑定，主页在http://pypi.python.org/pypi/opencc-python/，网页下方有win和linux的安装包，而且网页里有教程。看不懂英文？我了个擦，那网页里面才几个单词......

    本文的重点是Linux下用C语言如何进行简繁转换。以Ubuntu 11.10为例吧，其它发行版应该大同小异。你还需要知道一些文字编码的基础知识。
    关于编码的知识这里不打算详细介绍，但你需要知道：中文中常用的编码有gb2312, gbk, gb18030, big5, utf8和unicode。严格来讲gb18030和utf8只是unicode的编码方式，但本文中简单起见把它们认为是不同的编码，想搞清楚编码关系的自己去搜吧，资料很多。
    gb2312只含简体字，big5只含繁体字，其它几种编码都同时有简体和繁体字，gb2312可以简单认为是gbk的简体子集。一般来讲简繁转换同时包含了编码的转换，比如香港地区普遍使用big5编码，转为简体字就要先转化为gbk, gb18030, utf8编码中的一种再将繁体转化为简体。
    opencc只是一个简繁转换的库，要转换编码我们还需要一个有名的库iconv。这两库的安装方法：
    sudo apt-get install libiconv-hook-dev libopencc-dev
    libopencc-dev没有提供rpm的包，也没有提供只含库的源码，所以最方便的还是apt-get。
    iconv的教程还是有不少的，这里就不做太多介绍了。但注意不是所有编码都能自由转换的，比如如果你是想把big5直接转为gb2312是不行的。
    简繁转换的通用思路是先将编码转换为utf8，再在utf8下进行简繁转换，再将utf8转为想要的编码(如果需要)。不多说，直接上代码，该解释的都写到注释里了：
#include
#include
#include
#include
#include

///使用iconv库将字符串从编码from_charset转换到to_charset，输入是inbuf，输出是outbuf
void m_iconv(const char *from_charset, const char * to_charset,
        const char *inbuf, size_t inlen, char *outbuf, size_t outlen)
{
    memset(outbuf,0,outlen);
    iconv_t cd;
    cd = iconv_open(to_charset,from_charset);
    if (cd==0) return;
    iconv(cd, (char **)&inbuf, &inlen, &outbuf, &outlen);
    iconv_close(cd);
}

///繁体转化为简体，编码从src_charset转换为dest_charset，输入是src，输出是dest
void cht2chs(const char* src_charset, const char * dest_charset,
    const char *src, char *dest)
{
    char utf8[1000], tempout[1000], *raw=(char *)src;
    m_iconv(src_charset, "utf8", raw, strlen(raw), utf8, sizeof(utf8));    //先转为utf8
    opencc_t od = opencc_open(OPENCC_DEFAULT_CONFIG_TRAD_TO_SIMP);
    char * chsutf8 = opencc_convert_utf8(od, utf8, strlen(utf8));    //简繁转换
    strcpy(tempout, chsutf8);
    free(chsutf8);    //一定要free不然会内存泄漏
    opencc_close(od);
    size_t len = strlen(tempout);
    m_iconv("utf8", dest_charset, tempout, len, dest, len*2+1);    //再转到目标编码
}

///简体转化为繁体，编码从src_charset转换为dest_charset，输入是src，输出是dest
void chs2cht(const char* src_charset, const char * dest_charset,
    const char *src, char *dest)
{
    char utf8[1000], tempout[1000], *raw=(char *)src;
    m_iconv(src_charset, "utf8", raw, strlen(raw), utf8, sizeof(utf8));    //先转为utf8
    opencc_t od = opencc_open(OPENCC_DEFAULT_CONFIG_SIMP_TO_TRAD);
    char * chsutf8 = opencc_convert_utf8(od, utf8, strlen(utf8));    //简繁转换
    strcpy(tempout, chsutf8);
    free(chsutf8);    //一定要free不然会内存泄漏
    opencc_close(od);
    size_t len = strlen(tempout);
    m_iconv("utf8", dest_charset, tempout, len, dest, len*2+1);    //再转到目标编码
}

int main()    //main里放测试代码
{
    char src[] = "\264\372\270\325", dest[100];    //big5编码的繁体的"测试"
    cht2chs("big5", "utf8", src, dest);    //根据实际情况，把"utf8"改为你的locale
    printf("%s\n", dest);    //输出"测试"
    return 0;
}

将以上代码保存到test.c，可以根据实际情况将main函数第二行的utf8改为你的locale。
编译方法：
    gcc -o test test.c -lopencc -liconv_hook
运行：
    ./test
    然后就可以看到输出两个简体字"测试"。
    把m_iconv, cht2chs和chs2cht这三个函数复制到你的代码里就可以直接使用了。

    最后再说明一下，opencc算是所有简繁转换库中做得很不错的了，能处理异体字，还能对一简对多繁和一繁对多简的情况自动处理。之前有一个简繁转换的cconv项目就做得不太好，而且它用GPL协议，对开发者限制太多。而opencc使用Apache开源协议，很宽松。opencc项目很赞，可惜作者在教程上没花什么功夫，所以很长时间都没有在网上看到谁使用它。如果opencc作者看到此文请写个官方的教程吧，或者把本文直接链过去:)