C++ STL IO流 与 Unicode (UTF-16 UTF-8) 的协同工作

凡用到文件读写，输入输出，就得和编码、Unicode 打交道。这系列实验来测试一下 C++ STL 的 IO流 对 ANSI 编码、Unicode 编码的支持特性，看能否找到一个自动识别编码，自动转码的解决方案。从基础开始，一步一步来：

 

平台 Win32 XP sp3 + VS2008. (+ Boost 1.36.0)

 

实验 01:

#include<string>
#include<iostream>
#include<locale>

using namespace std;

 

locale prevloc;
locale loc("chs");

 

string str1("string class");
string str2("汉字与字符");
wstring wstr1(L"wstring class");          //去掉L前缀则编译错误
wstring wstr2(L"汉字与字符");

 

prevloc = cout.imbue(locale(""));
cout<<"Default Locale: "<<prevloc.name()<<endl;
cout<<"System Locale: "<<locale("").name()<<endl;
cout<<"C风格字符串/n"<<L"w-string/n"<<str1<<'/n'<<str2<<'/n'<<endl;

 

prevloc = wcout.imbue(loc);   //若去掉此句，则wstr2无法正常输出
wcout<<"Default Locale: "<<prevloc.name().c_str()<<endl;    //若不加 .c_str() 则编译错误
wcout<<"chs Locale Name: "<<loc.name().c_str()<<endl;
wcout<<"C-string/n"<<"C风格字符串/n"<<L"宽字符串/n"<<wstr1<<'/n'<<wstr2<<'/n'<<endl;

 

结论：

        1.cout 与 string 配合使用，wcout 与 wstring 配合使用，交错则编译错误(类型问题)
        2.wstring 初始化时需用 L"xxx" 的宽字符形式，同样 string 初始化时不能加 L 前缀
        3.默认locale ("C")下 cout 可以正常输出 C风格字符串与std::string类型，包括汉字也能正常显示
    但对 L"xxx" 宽字符串无能为力
          默认locale ("C")下 wcout 不能输出中文，包括C风格字符串、宽字符串与std::wstring
    设定系统 locale ("chs")后，正常输出宽字符串与std::wstring，但 C风格字符串 中的汉字无法显示

 

        总之，string cout "C-style 字符串" 自成体系

                  wstring wcout L"宽字符串" 自成体系，但 wcout 要选择 locale 后才能正常输出中文。

 

实验 02:

cout.imbue(locale(""));
wcout.imbue(locale(""));

 

string  str3 ( "abc汉字");
wstring wstr3(L"abc汉字");

 

cout<<"str1 length: "<<str1.length()<<'/n'; // 12
cout<<"str2 length: "<<str2.length()<<'/n'; // 10
cout<<"str3 length: "<<str3.length()<<'/n'; // 7
cout<<str2[0]<<' '<<str2[1]<<'/n';  // 输出：?
cout<<endl;

wcout<<L"wstr1 length: "<<wstr1.length()<<'/n'; // 13
wcout<<L"wstr2 length: "<<wstr2.length()<<'/n'; // 5
wcout<<L"wstr3 length: "<<wstr3.length()<<'/n'; // 5
wcout<<wstr2[0]<<' '<<wstr2[1]<<'/n';   // 输出：汉 字

 

结论：

        4.std::string 内部以 char 类型储存字符，当有汉字时以双字节存储，此时 length() 给出
    字符串所占字节数而不是字符数
          std::wstring 内部以 wchar_t 类型存储字符，字母汉字统一都是双字节，此时 length()
    给出是正确的字符数。
        5.当std::string中有汉字存在时，通过下标访问不能得到正确的字符。这是显而易见的，
    一方面字符宽度不统一无法随机访问，另一方面 std::string[] 返回 char 类型。std::wstring

    不存在此问题。

 

实验 03:

// test.txt 为 ANSI 编码(GB2312)，内容为以上 str1 ~ str3 的3行。

#include <fstream>

 

string str;
wstring wstr;

 

ifstream fin("test.txt");
//fin.imbue(locale(""));
while(fin>>str)
    cout<<str<<'/n';
fin.close();

 

wifstream wfin("test.txt");
//wfin.imbue(locale(""));

//wfin.imbue(locale(".936"));
while(wfin>>wstr)
    wcout<<wstr<<'/n';
wfin.close();

 

结论：

       6.std::ifstream 读取 ANSI 编码正常，std::wifstream 读取 ANSI 编码错误...默认 locale("C") 不能识别中文字符
          std::wifstream 设置 imbue(locale("")) 或 locale(".936") 后正常读取。936 为 GB2312 的代码页。

 

  实验 04:
 test.txt 为 Shift-JIS 编码，内容为
 うみねこのなく頃に

 程序代码同实验3

 ifstream 输出为
 偆傒偹偙偺側偔崰偵
 wifstream 设定 imbue(locale("")) 后输出相同

 

结论：

       7.显而易见的，其他地区的编码无法正确识别。这也是很多日本游戏和文本文件运行
    或读取时产生乱码的原因。

 

  实验 05:
 test.txt 为 Shift-JIS 编码，内容同上
 ifstream 与 wifstream 都添加 imbue(locale("jpn")) 或 locale(".932")

932 为 Shift-JIS 的代码页
 输出为：

 偆傒偹偙偺側偔崰偵
 うみねこのなく頃に

 

 

结论：

       8.这里可以看出一个显著性差异。wifstream 在读取时按照 Shift-JIS 编码将其转换为
    Unicode 储存，在 wcout 输出时又按照 ANSI (GB2312) 转换，其结果是 —— 正确显示

    了其他地区编码的字符。而 ifstream 与 cout 则缺少那两步转换，结果与上例相同

    以后的实验将不再考虑 ifstream 而只实验 wifstream。

 

  实验 06:
 test.txt 存为 UTF-16 编码(Win32 默认的 little endian)，内容同上。
 wifstream 设定为 imbue(locale(".1200"))
 1200 为 UTF-16 的 code page

 

 结果，运行出错...发现是 imbue(locale(".1200")); 这句的问题
 试着将 ".1200" 改为 ".936" 则运行正常，输出乱码。(936是 GB2312 的代码页)
 翻 MSDN 时在 Code Page 那页1200 UTF-16 后面发现一行小字：
 "available only to managed applications"...郁闷
 看来用 locale 转Unicode的想法到此结束了？记得 STL 书中貌似说过，locale 的名
 字在各平台上是不统一的，因为关系到各平台的支持问题。这样的话，要么自己写
 代码，要么就只好用 API 显式转换了：MultiByteToWideChar

 另外，在 setlocale 函数说明中也写到，UTF-8 和 UTF-7 等每字符有可能大于2字节
 的编码不被支持，所以 UTF-8 也只能用 MultiByteToWideChar 转咯...
 目前大概只能得出结论 C++ STL locale 在 Win32 平台上支持不完善吧

 

 实验 07: 用 API 重写读文件部分代码

#include <windows.h>

HANDLE hFile;
if(INVALID_HANDLE_VALUE != (hFile = CreateFileW(L"test.txt",
        GENERIC_READ, FILE_SHARE_READ, NULL, OPEN_EXISTING, 0, NULL))){

    int iFileLength, iUniTest, i;
    iFileLength = GetFileSize(hFile,NULL);
    char *pBuffer, *pText;
    pBuffer = new char[iFileLength+2];
    DWORD dwBytesRead;

    ReadFile(hFile,pBuffer,iFileLength,&dwBytesRead,NULL);
    CloseHandle(hFile);
    pBuffer[iFileLength] = '/0';
    pBuffer[iFileLength + 1] = '/0';

 

    iUniTest = IS_TEXT_UNICODE_SIGNATURE | IS_TEXT_UNICODE_REVERSE_SIGNATURE;
    if(IsTextUnicode(pBuffer,iFileLength,&iUniTest)){
        pText = pBuffer + 2;
        iFileLength -= 2;
        if(iUniTest & IS_TEXT_UNICODE_REVERSE_SIGNATURE){
            for(i = 0;i < iFileLength; i+=2)
                swap(pText[i],pText[i+1]);
        }
        wstr = (wchar_t*)(pBuffer+2);
    }
    delete [] pBuffer;

    wcout<<wstr<<'/n';
}

 

        输出正确。以上程序段自动识别 Unicode 编码文件开头的 0xFFFE 标记判断是 Little Endian 还是

    Big Endian 并做相应转换。但是代码量较大，且与 C++ 的 IO流 很不搭调...

 

结论：

       9.可以看到，只是把输入内容去掉UTF-16开头的0xFFFE，直接把内存指针改为
    wchar_t* 后 std::wstring 即可正确识别，说明程序中的宽字符存储格式实际上用的就是
    UTF-16 little endian

 

 实验 08:
 不死心又去翻了 boost 库，发现 codecvt_null 这个好东西，看下实现是把文件存储内容
 按照 wchar_t 为单位直接读入内存不做任何转换。这其实不正好是 UTF-16 需要做的么
 以下把 test.txt 存为 UTF-16 little endian 再次实验

#include <boost/archive/codecvt_null.hpp>

wifstream wfin( L"test.txt");
locale utf16(loc, new boost::archive::codecvt_null< wchar_t>);
wfin.imbue(utf16);
while(wfin>>wstr){
    wcout<<wstr<<endl;

}
wfin.close();

 

输出正确。

 

结论：

       10. 看来可以把 codecvt_null 作为 UTF-16 的 codecvt_facet 读入 locale
    来使用，避免使用类似上面 API 那么多代码。

 

  实验 09:
 将 test.txt 存为 UTF-16 Big Endian ,内容不变。程序不变

 

无法输出任何内容。

结论：

       11. wcout 不认识 big endian 的 wchar_t ...

    看来想读取 UTF-16 Big Endian，仅靠 codecvt_null 还不够。稍微翻了一下

    《C++ 输入输出流与本地化》这本书，现在可以考虑写一个自己的 codecvt_facet

    了。有了 codecvt_null 的代码，稍作改动即可用于 UTF-16 big endian。虽说有了

    现在的知识自己写个 utf-16 的codecvt_facet 也可以，但效率大概比不上 boost 里的。

 

代码准备：用类似的方法写出了自己的 codecvt_utf16 和 codecvt_utf16_reverse 两个

codecvt_facet...然后继续实验。自己写的内容放入咱自己的头文件吧：codecvt_utf.h，

内容加入自己的 namespace : tvt

 

  实验 10: 用 codecvt_utf.h 代替 codecvt_null.hpp。用 codecvt_utf16 和
 codecvt_utf16_reverse 实现 little endian 与 big endian 的输入。

wifstream wfin(L"test.txt");
locale utf16(loc,new tvt::codecvt_utf16<wchar_t>);
wfin.imbue(utf16);
while(wfin>>wstr){
    wcout<<wstr<<endl;

}
wfin.close();

///////////////////////////////////////

wifstream wfin(L"test.txt");
locale utf16(loc,new tvt::codecvt_utf16_reverse<wchar_t>);
wfin.imbue(utf16);
while(wfin>>wstr){
    wcout<<wstr<<endl;

}
wfin.close();

 

第一段程序读取 UTF-16 little endian 编码的 text.txt 正确输出

第二段程序读取 UTF-16 big endian 编码的 text.txt 正确输出

 

UTF-16 的转码顺利完成。下面考虑 UTF-8 ，写法类似。在 boost 库中继续寻找，发现

这个东东 boost/detail/utf8_codecvt_facet.hpp 。看下说明，不支持直接使用此文件，这文件

是专门提供其他 boost 组件使用的。仅 include 它的话编译出问题。再寻找到同名的 cpp 文件

后即可看到 do_in do_out 这两个转码关键的虚函数。有了上面 UTF-16 的基础，我们类似可写

出 UTF-8 的转码 codecvt_facet。我给他起名为 codecvt_utf8, 依然加入 codecvt_utf.h 文件。

现在此文件有一两百行了。经试验可正确输入 UTF-8 编码。

 

对应编码有了处理方法后，下一个问题是编码识别。

 

实验 11:

wchar_t wc;

wchar_t buf[2];

wifstream wfin(L"text.txt");

wfin.read(&wc,1);

wfin.read(&buf[0],2);

 

将 wc 和 buf 的内容按2进制或16进制输出。

结论：

       12. wistream.read(buffer,count) 操作每次读入 count 个字节，但将每个字节存入一个
 wchar_t 类型的 buffer[i] 中。其实 buffer 中每个 wchar_t 的高位都字节是 0 ...

 

  实验 12:
 加入判断条件，在 wfin 中自动加入合适的 utf16 facet，使得自动识别并读取
 little endian 和 big endian 编码的文件：

wchar_t buf[2];
wifstream wfin(L"test.txt");
wfin.read(buf,2);

if(buf[0] == wchar_t(0xFF) && buf[1] == wchar_t(0xFE)){
    cout<<"little endian"<<endl;
    wfin.imbue(locale(loc,new tvt::codecvt_utf16<wchar_t>));
}
else if(buf[0] == wchar_t(0xFE) && buf[1] == wchar_t(0xFF)){
    cout<<"big endian"<<endl;
    wfin.imbue(locale(loc,new tvt::codecvt_utf16_reverse<wchar_t>));
}
while(wfin>>wstr){
    wcout<<wstr<<endl;
}

 

对于两种编码的 text.txt 都实现了自动识别并正确读取。输出正确！

 

结论：

       13.UFT-16在传输时几乎都会加上 0xFFFE 等传输标志很容易判断，即使没有， Win32 下
    也有 IsTextUnicode 这 API 用专门方法判断。UTF-8 就很麻烦了，开头不一定都有 BOM 标

    记，与各地区字符集一样都可以用一个或多字节表示一个字符，编码长度不固定，如果是

    很长一段 ASCII 字符，那么用 UTF-8 和 GB2312 编码出来结果一样，就很难分辨

 

代码准备：经过一段时间思考，打算用这种算法。先读取前3字节，若是 BOM 头标记最好。若

不是则排除 UTF-16 ，下面集中力量分辨 UTF-8 与 ANSI 。从头开始寻找第一个 >127 的字节

若此字节内容 < 0xC0 或 >0xEF 则可判断不是 UTF-8 。否则，根据 UTF-8 的规则，在后面1 或

2 字节中看开头两位是不是 10 。若不是则断定不是 UTF-8 ，否则就算得到一个 UTF-8 字符。

如果能够找到 10个 满足条件的 UTF-8 字符就判断为 UTF-8 编码。若未到 10 个即遇到文件结

尾，那么找到 UTF-8 字符数大于 1 即断定为 UTF-8 否则断定为 ANSI ...

用这种方式选择对应转码 facet:

wistrm.imbue(std::locale(wistrm.getloc(), new codecvt_utf8));

 

按以上想法写成函数 int IsStreamUnicode(std::wistream &wistrm); UTF-16 LE 返回1，BE 返回2，

UTF-8 返回3，否则返回 0 (判断为ANSI)

 

实验 13:

 

std::wifstream wfin(L"test.txt");
if(!tvt::IsStreamUnicode(wfin))
    wfin.imbue(loc);
while(wfin>>wstr)
    wcout<<wstr<<endl;

 

 在我试验的各种情况下，均能自动识别 UTF-16 LE UTF-16 BE UTF-8 与 ANSI 编码
 并正确设定转码 locale .

 

 

-------------------------------------------------------------------------------------

8小时后，关于后续实验的补充：

 

使用中发现某些情况下 UTF-16 的读写出现问题，特别是有换行符或某字节中编码刚好

等于控制符时。经过反复测试认定是 读写mode 问题。在读写 Unicode 文件时，

wifstream 与 wofstream 都设定为 ios_base::binary 模式即可。后来又补充了一个添加

BOM 头的小东西。为了使用简便把 utf_16 的 template 也去掉了。最终情形使用起来

像这个样子：

 

#include<iostream>

#include<fstream>

#include<codecvt_utf.h>

using namespace std;

 

wstring wstr;

wcout.imbue(locale(""));

 

// Open the Input and Output Files:

std::wifstream wfin(L"test.txt", ios_base::binary);
std::wofstream wfout(L"testout.txt", ios_base::binary);

 

// Set Output Format and Write BOM tag:
wfout.imbue(locale(locale(""), new tvt::codecvt_utf16));

wfout<<tvt::utf_bom;

 

// Detect the Format of the Input File

if(!tvt::IsStreamUnicode(wfin))
    wfin.imbue(locale(""));

 

// Read and Write

//while(wfin>>wstr){
//    wcout<<wstr<<endl;
//    wfout<<wstr<<endl;
//}

 

// Another way:

while(getline(wfin,wstr)){
    wcout<<wstr<<endl;
    wfout<<wstr<<endl;
}

 

// Close Files:

wfin.close();
wfout.close();

 

读写测试全部通过！

 

感谢 记事本、EditPlus 和 HxDen 的大力支持...

 至此，关于 Unicode 编码和 C++ STL IO流 的协作算是大功告成了吧，呵呵。以后有需要再

在实践中改进

 花了整整一天时间 + 8 小时 = = 还算有价值吧，因为在网上看到很多人都在问且没有结果

 

  ===========分隔线============

 再加一点 关于 locale 的使用总结

 另附：现在来看用 c++ 的 IO stream locale 系列实现转码并不是一个经济的选择，如果用 STLport 的话还好些，用 VC STL 则存在较严重的效率问题：

  File I/O 效率 C vs C++ (一)