字符与字节、字符与编码、字符类型char和wchar_t

       最近在编写SMS短信的编码程序，对于字符与编码老是混淆不清，经过查阅一番资料和阅读一些博客，学到了很多知识，其中包括：字符与字节的区别，字符与编码，字符

类型等等。

一，字符与字节

        很多刚接触编程的人会和我刚开始的理解差不多，认为一个字符就是一个字节（8）位，其实并不是这样的。字符只是一个代号而已，我打个比方吧，变色龙在不同的地方会显示不一样的颜色，在绿草中是绿色，在沙漠中着成了金黄色，为什么会这样，我也不知道，字符在这里就相当于变色龙，在不同的环境中占的位数肯定也不一样，对于不同的操作系统、不同编译器以及不同的编码方式下可能会呈现出很多种结果，比如在我的32位XP系统VC++软件的Unicode环境中，一个字符是两个字节（16位），而在32位XP系统VC++软件的ANSI环境中，又变成了8位的了。同样的情况，int类型可能为16位也可能为32位。

        那么怎样知道我的环境下的字符是几个字节的呢？下面一个小程序可以检测：

#include <iostream.h>
int main()
{
	char c = 'A';
	unsigned short uc = L'A';
	cout<<sizeof(c)<<endl<<sizeof(uc)<<endl;
	return 0;
}

二、字符与编码

1、概念：

        字符(Character)是文字与符号的总称，包括文字、图形符号、数学符号等。 一组抽象字符的集合就是字符集(Charset)。 字符集常常和一种具体的语言文字对应起来，该文字中的所有字符或者大部分常用字符就构成了该文字的字符集，比如英文字符集。 一组有共同特征的字符也可以组成字符集，比如繁体汉字字符集、日文汉字字符集。 字符集的子集也是字符集。 
        计算机要处理各种字符，就需要将字符和二进制内码对应起来，这种对应关系就是字符编码(Encoding)。 制定编码首先要确定字符集，并将字符集内的字符排序，然后和二进制数字对应起来。根据字符集内字符的多少，会确定用几个字节来编码。 每种编码都限定了一个明确的字符集合，叫做被编码过的字符集(Coded Character Set)，这是字符集的另外一个含义。通常所说的字符集大多是这个含义。

2、字符集种类：ASCII字符集，UCS字符集，GBK18030字符集等等。

3、编码种类：UTF-8、UTF-16、UTF-32

4、和编码有关的词汇：ISO、ANSI、IEC、ASCII、UCS、UTF、Unicode、GB2312、GBK、MBCS、DBCS等等。

5、看到上面这么多的术语，是不是很晕？我在查看资料的时候，也晕头转向，可是经过细致的分析之后，需要知道：哪些是编码机构？哪些是编码方式？哪些是字符集？

       具体怎么编码我这里不想讲解，各种方式都可以查到（百度百科，维基百科，MSDN等），我只想从类别上面来区分他们。

1）分类

       ISO、ANSI、IEC这三个是定标准的机构，就像IEEE（电气和电子工程协会）一样，它们定下了各种标准；

       MBCS（支持多字节字符集）、DBCS（双字节字符集）、UCS（通用字符集）是编码字符集的称谓，

       ASCII（美国）、Unicode（统一码，万国码）、GB2312（中国大陆、新加坡）、GBK（同GB2312）是字符集，不同国家的字符集的叫法都不一样；

       UTF包括UTF-8、UTF-16、UTF-32，它们是Unicode字符集的编码方案，它们规定了一个字符有几个字节；

2）发展顺序以及包含关系

      字符集的 发展顺序：ASCII->Unicode->GBK也就是说最先有了美国的，再有了世界的，再有了各个国家的；

      ”中国的“字符集的发展顺序：GB-2312->GBK->GB18030；

      字符集称谓的顺序：ASCII->MBCS->UCS->DBCS;

3）按照定义，ASCII 字符集是所有多字节字符集的子集。 在许多多字节字符集中，0x00 到 0x7F 范围内的每个字符都与 ASCII 字符集中具有相同值的字符相同。

       这里是我收集的一些有关字符编码的资料：
       http://www.unicode.org/charts/unihan.html 根据Unicode编码查其对应字符的字形、Utf8、汉字区位码等 
       http://www.unicode.org/Public/MAPPINGS/OBSOLETE/EASTASIA/GB/GB2312.TXT Unicode与Gb2312的对照表 
       http://www.sun.com/developers/gadc/technicalpublications/articles/mabiao.txt Unicode与Gbk对照表

三、字符类型

1、char类型与wchat_t类型

        相同点：二者都是C环境下字符的表达方式

        不同点：

1）位数：char类型为8位，wchar_t为16位；

2）定义：VC++中的定义#typedef unsigned short wchar_t  ，  所以wchar_t是短整型，是Unicode字符的数据类型，但是它通常被当做字符的扩充表达方式；

3）称谓：char类型叫标准字符，wchar_t叫宽字符（注意：宽字符不一定是Unicode。Unicode是宽字符集的一种。然而通常我们把宽字符和Unicode作为同义语，因为一般它们都是16位的。）；

4）存储：一个char字符占一个存储空间，一个wchar_t占两个存储空间，而且wchar_t的存储要注意的一点是： 因为Intel微处理器从最小的字节开始储存多字节数值，所以’A‘(x0041)实际上是以0x41、0x00的顺序保存在记忆体中,如果检查Unicode文字的电脑储存应注意这一点；

5）处理函数：char类型----strlen、printf等等，wchar_t类型---wcslen、wcsprintf等等；

      详细的区别请参考一下：http://blog.csdn.net/dongyonghui_1017/article/details/4280205

                                                  http://www.cnblogs.com/fire-phoenix/archive/2010/09/04/1818248.html

                                                  http://www.cppblog.com/janvy/archive/2009/06/15/87713.aspx