Unicode字符编码

1、简介

Unicode是ASCII（美国信息交换标准码）字符编码的一个扩展。ASCII中每个字符用7位表示，计算机上每个字符8位。Unicode使用全16为字符编码，因此Unicode能表示世界上所有能用于计算机通讯的符号。Unicode最初是作为ASCII的补充。ASCII最终有26个小写/大写字母、10个数字、32个符号、33个控制代码和一个空格，共128个代码。

1、优点

大小写字符的代码是连续的
大小写字母可以通过改变一位数据相互转换

为了兼容不同国家的语言，需要考虑如何确认和ASCII的兼容。因此引入了双字节字符集（DBCS），使用2个字节定义一个字符，通常是复杂的象形文字。还存在一个问题，不同的国家有一个象形文字是相同的，但语言是不同，因此Windwos支持4个不同的双字节字符集：代码页932（日文）、936（简体中文）、949（朝鲜文）和950（繁体中文），为这些国家生产的Windows版本才支持双字节字符集。

双字符集不是说字符是由2个字节代表，字符串中的字符数不能由字符串的字节数决定，必须剖析字符串来决定其长度，而且必须检查每个字节以确定它是否属实双字节字符的首字节。
Unicode的缺点：Unicode字符串占用的内存是ASCII字符串的两倍。
Intel微处理器是先从最低位字节开始存储多字节数值的，如果一个双字节值0x0042，实际上是以0x42、0x00的顺序保存在内存中。在检查Unicode文本的计算机存储时应注意这一点。如

wchar_t* pData = L"我是中国人 test";
wchar_t szStr = L'A';

这里的L表示long，告诉编译器这个字符串按宽字符保存（每个字符占用2个字节），L是非常重要的，在2个符号之间必须没有空格，如果不小心忘记了L，编译器会告警。

2、宽字符库函数

	const char* pData = "Hello我";
	int nSize = strlen(pData);	//7
	wchar_t* pData1 = L"Hello我";
	nSize = wcslen(pData1);		//6 

const char* pData这样的指针,我们可以通过strlen函数获取到字符串中的字符数，不包含\0。
当strlen的参数是wchar_t类型的时候，VS2008会提示错误：

error C2440: 'initializing' : cannot convert from 'const char [6]' to 'wchar_t *'
error C2664: 'strlen' : cannot convert parameter 1 from 'wchar_t *' to 'const char *'

如果没有错误提示，能正常运行程序的情况下，字符串长度可能与实际不符，因为Intel处理器是从低位开始的，0x48 0x65 0x6C 0x6C 0x6F在内存是： 48 00 65 00 6C 00 6C 00 6F 00。strlen把第1个字符作为字符开始计数，下一个字节是0，就标识字符串结束。
运行时库函数是在链接时添加的，因此可能会不同于我们所希望的那样运行。改成宽字节后，字符串的字符长度不改变，只是字节长度改变了。
在实际开发中，我们也许希望项目既能按ACII编译又能按Unicode编译，这个时候怎么办呢？运行库函数不同的编译方式的函数名称不同，是否也要定义不同的字符？这个问题已经被解决了，我们在代码中包含TCHAR.H头文件即可。因其不是标准ANSI C的一部分，因此定义的每个函数和宏定义的前面都有下划线，为字符串参数的标准运行库函数提供一系列的替代名称，这样就可以实现指向函数的Unicode版本也可以指向非Unicode版本。

这里注意一下L的定义，如下

#define __T(x)      L ## x

这里的# #是粘贴符号，意思是将字母L添加到宏参数上。

其他

1、ASCII最初使用7位的原因
ASCII代码有128个，2的7次方刚好128，可以满足需要
在当时的环境下，6位不能满足需求，8位的价格太贵
2、unicode和dbcs的区别
ASCII是一个字节,但是Unicode可不一定就是两个字节
ASCII只能表示英文数字和常用标点符号,编码在1-127之间，Unicode可以表示所有字符,编码范围很大