本人在编程时需要匹配字符串,由此想到了如果文件是各种字符编码的话,匹配结果有可能不正确,那么,如何判断不同的字符集?如何在不同字符集之间做转换?对于UNICODE编码逐渐通用的情况下,我们软件人员如何从容应对? 本文首先对常用字符集进行总结,然后在字符集的显示及转换上以实例介绍,最后总结了编程中遇到的编码问题。
如果只有一个字节则其最高二进制位为0;如果是多字节,其第一个字节从最高位开始,连续的二进制位值为1的个数决定了其编码的字节数,其余各字节均以10开头。UTF-8最多可用到6个字节。
首先说一下字节序对编码的影响,字节序分为Big Endian字节序和Little Endian字节序。不同的处理器可能不一样。所以,传输时需要告诉处理器当时的编码字节序。对于前者而言,高位字节存在低地址,低字节存于高地址;后者相反。例如,0X03AB,
注意,下面的例子都会用到这个文件,读取这个文件。在Encodeing 选项中可以选择ASCII编码、UTF-8、UNICODE Big Endian、UNICODE Little Endian。其中,ASCII编码包括:ASCII、ISO-8859-1、GB2312、BIG5、GBK等在ASCII基础上扩展的编码。当选用ASCII编码保存时,系统会调用默认的一种ASCII编码方式,一般的中文系统使用GB2312或GBK。可以通过更改控制面板中的语言选项更改。
3.1 读取ASCII编码
选择ASCII编码保存文件,文件内容是:您好, Ye Ming!
C++程序读取并显示如下:
FILE *myfile=fopen("CharsetExample.txt","rb");
char a[100];
fgets(a,100,myfile);
printf("字节数=%d/n",strlen(a));
printf("16进制值=");
for(int i=0;i<strlen(a);i++)
printf("%hhx/t",a[i]);
printf("/n字符串输出=%s/n",a);
结果输出:
字节数=13
16进制值=c4 fa ba c3 2c 59 65 20 4d 69 6e 67 21
字符串输出=您好,Ye Ming!
您=c4fa, 好=bac3,其它只占一个字节。printf函数发现字节的第1位是1时,会继续联合下一个字节按照默认的ASCII编码如GB2312显示汉字。
为了测试一下系统能否显示繁体中文字,将文本更改为:
案與產品
保存为ASCII编码,然后运行程序。结果可以显示出来,说明系统用GBK或BIG5解码了。在控制面板把BIG5去掉,还能正常显示,说明系统默认的是GBK解码。
注解1:文本是按字节读,二进制是按逻辑单位读;这个例子用二进制读和用文本读的结果是一样的,因为逻辑单位char是1个字节的。
3.2 读取UTF-8编码
选择UTF-8编码保存文件,文件内容是:您好, Ye Ming!
C++程序读取并显示如下:
FILE *myfile=fopen("CharsetExample.txt","rb");
char a[100];
fgets(a,100,myfile);
printf("字节数=%d/n",strlen(a));
printf("16进制值=");
for(int i=0;i<strlen(a);i++)
printf("%hhx/t",a[i]);
printf("/n字符串输出=%s/n",&a[3]);
结果输出:
字节数=18
16进制值=
ef bb bf e6 82 a8 e5 a5 bd 2c 59 65 20 4d 69 6e 67 21
字符串输出=乱码,Beijing!
其中,ef bb bf 是UTF-8的头标识;您=e6 82 a8,好=e5 a5 bd。
其他是单字节的ASCII码。
输出字符串时要去掉前三个字节。但是,还是出现了乱码!
之所以出现乱码,是因为系统按默认的GB2312去解UTF-8的码,所以在库里找不到或找不对对应的汉字,所以出现3个乱码,因为按两两组合所以有3个乱码。
3.3 读取UTF-16 Big Endian
选择UTF-8编码保存文件,文件内容是:您好, Ye Ming!
C++程序读取并显示如下:
FILE *myfile=fopen("CharsetExample.txt","rb");
char a[100];
fgets(a,100,myfile);
printf("字节数=%d/n",strlen(a));
printf("16进制值=");
for(int i=0;i<strlen(a);i++)
printf("%hhx/t",a[i]);
printf("/n字符串输出=%s/n",&a[2]);
结果输出:
字节数=6
16进制值=
fe ff 60 a8 59 7d
字符串输出=三个符号
其中,fe ff 是UTF-16 Big Endian的头标识;60是可以输出的,a859输出乱码,7d是可以输出的。输出字符串时要去掉前两个字节。
理论上字节数应该是2+11*2=24。可是,输出为什么只有6呢?在UTF-16中,每个字符都用两个字节表示,而ASCII符号只用一个字节,高位用0表示,所以,当遇到0后,strlen认为串结束了。这就是UTF-16的缺点,前面提到过。
将程序的一句更改后:
for(
int i=0;i<24;i++)
16进制值= fe ff 60 a8 59 7d 0 2c 0 59……
同样,字符串仍然无法显示。
3.4 读取UTF-16 Little Endian
文本文件用UTF-16 Little Endian编码时,其输出结果是:
16进制值= ff fe a8 60 7d 59 2c 0 59 0 ……
4. 编程:各字符集编码的显示
4.1 直接显示
由于中文系统默认的编码是中文编码,一般是GBK。所以,ASCII编码的显示没有问题。但是,遇到UNICODE编码就会有问题了,如上面的例子,显示会出现乱码。
接下来本文介绍一种读取UNICODE文件并正确显示中文的方法。
4.1.1 文件编码为UNICODE Big Endian
本件保存为UNICODE Big Endian,文本=您好, Ye Ming!
·
错误:按文本方式读
读文本程序如下:
FILE *myfile;
wchar_t *name=L"CharsetExample.txt";
myfile=_wfopen(name,L"rt");
fseek(myfile,0,0);
wchar_t buffw[100];
fgetws(buffw,100,myfile);
printf("字节数=%d/n",wcslen(buffw));
printf("16进制值=");
for(int i=0;i<wcslen(buffw);i++)
printf("%hhx/t",buffw[i]);
//设置本地化信息,.936是简体中文的Code Page。wcout需要依靠它决定将宽字符按什么编码显示
setlocale(LC_ALL, ".936");
printf("/n字符串输出=");
wcout<<buffw+1<<endl;
结果如下:
字节数=6
16进制值=
fe ff 60 a8 59 7d
字符串输出=’”Y}
文本是按UNICODE编码的,每个字符是两字节,ASCII字符高位用0代替。按文本方式打开文件读时,是按字节的读写,一个字节就存进了两个字节大小的结构wchar_t中。遇到0时,它认为文件已经结束,停止操作。
·
正确:按二进制方式读
读文本程序如下:
将myfile=_wfopen(name,L"rt")改为myfile=_wfopen(name,L"rb");
结果如下:
字节数=12
16进制值=
fffe a860 7d59 2c00 5900….
字符串输出=乱码
这一次二进制结果是对的,但是,为什么还是乱码呢?问题出在wcout函数上,x86是按照Little Endian字节序处理数据的,它将2c00处理了而不是002c。我们看一下如果文本保存为UNICODE Little Endian, 会怎么样?
4.1.2 文件编码为UNICODE Little Endian
本件保存为UNICODE Little Endian,文本=您好, Ye Ming!
·
错误:按文本方式读
基本同上,故略。
·
正确:按二进制方式读
将myfile=_wfopen(name,L"rt")改为myfile=_wfopen(name,L"rb");
结果如下:
字节数=12
16进制值=
feff 60a8 597d 2c 59….
字符串输出=您好, Ye Ming!
输出正确,^_^。
4.1.3 文件编码为UTF-8
对于UTF-8而言,UTF-8的编码其实不属于宽字符,它还是MBCS。wcout函数只能显示宽字符,不能够正确显示它的编码,所以输出为乱码或空。
4.2 编码转换后显示
4.2.1 文件编码为UNICODE Big Endian
由于字节序的问题,需要转换成Little Endian 才能正确显示,因为x86系列用的是Little Endian。转换后,请用下面小节的方法显示。
4.2.2 文件编码为UNICODE Little Endian
读文件程序如下:
FILE *myfile;
wchar_t *name=L"CharsetExample.txt";
myfile=_wfopen(name,L"rb");
fseek(myfile,0,0);
wchar_t buffw[100];
fgetws(buffw,100,myfile);
printf("字节数=%d/n",wcslen(buffw));
printf("16进制值=");
for(int i=0;i<wcslen(buffw);i++)
printf("%hhx/t",buffw[i]);
//宽字符转换成多字节,第一个参数是Code Page,windows定义了若干Code Page,用来处理不同语言编码的。CP_ACP是ASCII编码,这里主要是求出转换后的字节数。Buffw+1主要是去掉头标记
feff。
UNICODEàASCII编码
int len = WideCharToMultiByte( CP_ACP, 0, buffw+1, wcslen(buffw+1), NULL, NULL, NULL, NULL );
LPSTR lpsz = new CHAR[len+1];
//下面才是真正的转换。
WideCharToMultiByte( CP_ACP, 0, buffw+1, wcslen(buffw+1), lpsz, len, NULL,NULL );
printf("%d",len);
lpsz[len]='/0';
printf("/n%s/n",lpsz);
结果如下:
字节数=12
16进制值=feff 60a8 597d 2c 59….
字符串输出=您好, Ye Ming!
转换完后,系统函数printf会按照系统默认编码显示出来。
4.2.3 文件编码为UTF-8
文件保存为UTF-8,有两种情况:
·
错误:按宽字符存取
程序如下:
FILE *myfile;
wchar_t *name=L"CharsetExample.txt";
myfile=_wfopen(name,L"rb");
fseek(myfile,3,0);
wchar_t buffw[100];
fgetws(buffw,100,myfile);
printf("字节数=%d/n",wcslen(buffw));
printf("16进制值=");
for(int i=0;i<wcslen(buffw);i++)
printf("%hhx/t",buffw[i]);
…………….
结果如下:
字节数=7
16进制值=82e6 e5a8 bda5 592c 2065 694d 676e
可以看出,16进制值缺了21,这就是感叹号的ASCII值。当以fgetws读取文件时,21落单了,所以不能读进wchar_t。
·
正确:按字节存取
程序如下:
FILE *myfile;
wchar_t *name=L"CharsetExample.txt";
myfile=_wfopen(name,L"rb");
fseek(myfile,3,0);
char buff[100];
//取得所有UTF-8字节
fgets(buff,100,myfile);
printf("字节数=%d/n",strlen(buff));
printf("16进制值=");
for(int i=0;i<strlen(buff);i++)
printf("%hhx/t",buff[i]);
第一步,
UTF-8àUNICODE
由于从UTF-8不能直接转换为ASCII编码,必须以UNICODE为跳板;这里用到参数CP_UTF8,因为我们是将UTF-8转换为UNICODE,注意:WideChar在本函数中指的肯定是UNICODE。
int num=MultiByteToWideChar(CP_UTF8,NULL,buff,-1,NULL,NULL);
wchar_t *buffw2=new wchar_t[num];
MultiByteToWideChar(CP_UTF8,NULL,buff,-1,buffw2,num);
第二步,
UNICODEàASCII编码
这个函数跟之前用过了。
int len = WideCharToMultiByte( CP_ACP, 0, buffw2, num, NULL, NULL, NULL, NULL );
LPSTR lpsz = new CHAR[len+1];
WideCharToMultiByte( CP_ACP, 0, buffw2, num, lpsz, len, NULL, NULL );
lpsz[len]='/0';
printf("/n字符串输出=");
printf("%s/n",lpsz);
结果如下:
字节数=15
16进制值=e6 82 a8 e5 a5 bd 2c 59 65 20 4d 69 6e 67 21
字符串输出=您好, Ye Ming!
结果正确,*_*。
4.3 转换编码的另外一种方法
·
mbstowcs
char *ccname="我们";
wchar_t * wwname=new wchar_t[2];
//依赖于Locale而不是Code Page
setlocale(LC_CTYPE,"chs");
mbstowcs(wwname,ccname,2);
wcout<<wwname<<endl;
·
wcstombs
wchar_t *wname=L"叶明";
char * cname=new char[4];
setlocale(LC_TIME,"chs");
wcout<<wname<<endl;
wcstombs(cname,wname,4);
printf("%s/n",cname);
5. 思考字符集编码对软件的影响
请参考本人另外一篇文章:
UNICODE 编码对软件编程的影响。
6. 常用参数
·
ASCII码参照表
下面是部分的Code Page:
CP0 ASCII
CP932 Shift-JIS
CP936 GBK
CP950 Big5
CP20936 GB2312
CP65001 UTF-8
CP65000 UTF-7
由于国家和本地习惯的不同,在处理文字、日期、数字、货币格式等问题都会有所不同,Locale就是用来解决这个问题。
C语言的Locale定义,分为以下几类:
LC_ALL:代表所有的locale
LC_CTYPE:用来处理文字编码
LC_MESSAGES:信息的显示,你可能会在这样一个目录看到大量的mo文件
LC_TIME:时间格式
LC_NUMERIC:数字格式
LC_MONETARY:货币格式
LC_COLLATE:字母顺序和特殊字符的比较
其中比较重要的是:
字符编码LC_CTYPE和本地化的信息显示LC_MESSAGES 。
设置Locale举例如下:
setLocale(LC_ALL, "chs")
值可取下面值:
zh_CN.utf8
chs
Chinese-simplified
ZHI
.936
----文章结束----