Qt开发中文显示乱码剖析

目录

为什么会出现乱码

乱码情况解析

总结

写在最后

---

为什么会出现乱码

首先，我们需要有的概念是乱码的问题是由编码和解码方式引起的。从代码中的字符到最终程序运行得以显示需要经历的3个状态：

• 源码字符集
• 执行字符集
• 运行环境字符集

源码字符集确切的说是编译器认为源码文件中的编码方式，执行字符集是可执行程序中采用的编码方式，而运行环境字符集则是环境支持的编码方式。

程序中文字显示的过程，编译程序处理字符串的过程，实际上是首先读入字符的二进制数，根据编码格式到另一种编码格式转换策略得到另外一串二进制数，再到运行环境中。从源码字符集到执行字符集可能有二进制数的变化（这里为什么说可能呢，因为源码字符集和执行字符集如果是相同的编码是不需要变化的）。而3则是通过既定的编码方式来解读2中的二进制数为字符，这时就看运行环境是否支持编码。

那么具体是哪些地方引起错误呢？在解答之前先介绍理解该问题的先验知识（由于我的运行环境是window简体中文版，所以以下的locale编码就是指GBK编码）：

• msvc2013编译程序时，处理源码字符集时，有BOM标识符的则正确识别(实际上目前就是有无BOM的utf-8)，无BOM则使用本地Locale字符集(随系统设置而变)，执行字符集默认用本地Locale字符集(其他msvc版本在看完本文甚至可以根据自己实验猜测处理)。
• gcc编译程序时，默认两者都是uft-8，有finput-charset源码字符集和fexec-charset执行字符集则按照设置。

那么乱码的原因有：
①编译器解读源码字符集错误。如我是utf-8的源码，因为不带bom你当成locale，执行字符集也是locale所以不需要转换，而本来utf-8到locale是需要转换的。
②源码字符集到执行字符集的转换错误。如本来把识别正确的源码字符集locale转成执行字符集中的utf-8，结果你给我指定了错误了转换方式，说让我通过xxx编码转utf-8的策略转(Note:这是错误的表述，看到下面你就明白，实际上这里的错误只能是应为转换算法的错误)。
③字符解析错误。如果现在程序中的字符串二进制是utf-8的，结果你非要说执行字符集是loacle，那么解析肯定会出错。

还需要理解的包括下面的知识:

• windows console控制台代码页为locale，即把程序中的字符串二进制表示当locale执行字符集来解读
• 字符串二进制的表示形式不需要编译，直接拷贝到执行程序的二进制中

乱码情况解析

接下来内容的实例基于csdn作者“在水一方”博文中举的“我是中文”的例子(文末有引用)，他的博文在我理解这个问题的本质过程中帮助很大。这里就套用他的例子的，一方面我比较懒，不想举其他例子，另一方面通过验证他的例子，也佐证了我自己的想法。
直接上例子(这里说的都是源码字符集):

const char * str = "我是汉字"
//用GBK编码等价于
const char * str = "\xce\xd2\xca\xc7\xba\xba\xd7\xd6";
//用utf-8编码等价于
const char * str = "\xe6\x88\x91\xe6\x98\xaf\xe6\xb1\x89\xe5\xad\x97";
//note:这里的等价于就是说当计算机到内存中来处理的时候，中文读入的就是等价于的二进制数

翻译一下就是，“我是汉字”这几个字，在GBK编码下就是保存的“\xce\xd2\xca\xc7\xba\xba\xd7\xd6”这样一串二进制，而utf-8则是保存的“\xe6\x88\x91\xe6\x98\xaf\xe6\xb1\x89\xe5\xad\x97”。这里可以使用Notepad++进行验证。

字符解析错误乱码

• 编译环境:vs2013(msvc2013编译器)，源码文件字符集GBK
• 运行环境:Windows简体中文下的Console命令行

下面看一段代码:

char * cc = "\xce\xd2\xca\xc7\xba\xba\xd7\xd6";
std::cout << cc << std::endl;
char * cc1 = "\xe6\x88\x91\xe6\x98\xaf\xe6\xb1\x89\xe5\xad\x97";
std::cout << cc1 << std::endl;
char * cc2 = "我是汉字";
std::cout << cc2 << std::endl;

运行程序得到下图结果:

vs2013下未修改执行字符集cl编译运行结果.png

根据结果我们可以看到2是乱码的，而汉字表现出了和GBK下二进制数据一样的结果。有了前面的先验知识按照前面先验的乱码原因①②③来理解:
①对于不带bom源码的文件，msvc2013当成locale处理，而源码字符集恰巧是locale，读入源码字符集没问题。这里需要“我是汉字”字符串变为二进制数，并记录源码字符集。
②源码字符集和执行字符集都是locale，不需要转换，没转换自然转换没问题。到此，字符串的二进制表示的直接拷贝到了执行程序中。
③2把执行程序中“\xe6\x88\x91\xe6\x98\xaf\xe6\xb1\x89\xe5\xad\x97”——“我是中文”uft-8编码下的二进制，当成了GBK编码来解析，所以出现了类型③乱码。
Note:请用notepad++检验，以便理解。

在上面程序的基础上，我们添加测试函数的函数体前添加一段预定义，这是c++11对执行字符集的支持:

//让编译器编译生成程序的执行字符集为utf-8
#if _MSC_VER >= 1600
#pragma execution_character_set("utf-8")
#endif

再次运行程序，得到如下的结果:

vs2013下执行字符集utf-8 cl编译运行结果.png

首先看到12和上面结果一样，有人这里就有疑问了。你说的字符串的二进制表示直接拷贝我也理解，但是现在我的执行字符集是utf-8啊，那我解读第一个和第二个的结果不应该是这个啊。那你可能忘掉了我之前的一个先验知识了，console不认识utf-8，它仍然会把这串二进制当成locale来解读，所以这里和上面的表现结果是一样的。
下面来看3是怎么回事，①②流程下来:
①源码为locale，编译器也默认认为源码字符集是locale(编译器这是瞎猫碰到死耗子，蒙对了！)，解读正确。
②编译器正确知道源码字符集的情况下，需要转化成指定的字符集，自然是会给出正确的转化策略。
最终，编译通过编码转换策略做了一次从 “\xce\xd2\xca\xc7\xba\xba\xd7\xd6”到“\xe6\x88\x91\xe6\x98\xaf\xe6\xb1\x89\xe5\xad\x97”的转换，所以程序中又是“我是中文”uft-8编码下的二进制了，最终又回到了2的情况——类型③乱码。

转换错误乱码(反证)

• 编译环境:QtCreator(MinGW gcc编译器)，源码文件字符集utf-8
• 运行环境:Windows简体中文下图形界面

下面看一段代码:

MainWindow w;
QLabel *lb1 = new QLabel(&w);
QLabel *lb2 = new QLabel(&w);
QLabel *lb3 = new QLabel(&w);
lb1->setText(QString("我是汉字"));
lb1->resize(100, 20);
lb1->move(120, 120);
lb2->setText(QString::fromUtf8("我是汉字"));
lb2->resize(100, 20);
lb2->move(120,160);
//由于源码是utf-8编码，下面代码等价于：
//lb3->setText(QString::fromLocal8Bit("我是汉字"));
lb3->setText(QString::fromLocal8Bit(
              "\xe6\x88\x91\xe6\x98\xaf\xe6\xb1\x89\xe5\xad\x97"));
lb3->resize(100, 20);
lb3->move(120,200);
w.show();

运行程序得到下图结果:

qtCreator gcc默认字符集设置编译运行结果.png

这里我不给出详细的分析了，通过第1个标签和第2个标签结果都正常，可以验证出gcc编译的默认规则——默认源码字符集和执行字符集都是uft-8，且知道了Qt中QString::fromxxx()函数的作用了。而标签2和标签3的对比可以知道，当环节②出错，就出现乱码了。过程是编译器把读入的utf-8编码下的二进制当成了loacle来解析，这时就解析成了所谓的那串“乱码”，然后正确转换成了uft-8编码下的该“乱码”(Note:这里两次乱码实际的二进制是不一样的哦，只是编码形式不同才有的相同结果，你明白我的意思嘛？)。有人又要疑惑了，不对啊，你明明说这是个类型②的错误，怎么我看着像是类型①乱码呢。其实如果你能这么疑惑，说明你是真的懂了，这里确实是一个类型①的乱码。实际上这里的源码字符集到执行字符集的算法是api内部实现的，所以我们面对这种情况的时候②都不会出问题的。当然了，像你这种乱码都没有理解的人来说，去实现这个算法，那我是不敢用，说不定就会产生类型②乱码了，哈哈。

总结

由于Qt的出现就是为了跨平台,所以QString中统一采用utf-16存储字符串。所有源码中的字符串存放到QString中时，都需要经过一次到utf-16的正确转换。在qt5之前，有两种解决方式解决乱码：

QString::fromxxx();
QTextCodec::setCodecForxxx();

相信大家看了前面已经明白这两个函数是意思，这里要提醒一句的就是，两种方式最终在QString中存放的，都是字符串在unicode编码形式下的二进制。

写在最后

这系列的文章将会以自己学习后理解的知识点分享为主，希望吾之所得亦可为汝所得。在2017年3月18日重新更新文章时，我删掉了与知识点无关的表述。只是希望让正努力从“不求甚解”到“先去理解清楚一些以释重负”转变的你，不会因为篇幅过长望而却步。如有疑问，欢迎提问，如有高见，烦请指点。
参考:

• qt中文乱码问题
• QString乱谈(2)
• 从此乱码是路人
• 以及n多的内容。上面三篇博文尤其前两篇带我真正理解了qt中中文乱码的原因