C++字符編碼轉(zhuǎn)換的基本方法

在處理東方語(yǔ)言(中日韓)時(shí)，經(jīng)常會(huì)遇到各種編碼問(wèn)題，而且被這類問(wèn)題搞的暈頭轉(zhuǎn)向。到網(wǎng)上查資料，看的也是一頭霧水，最后往往是誤打誤撞的把問(wèn)題解決了，自己仍然稀里糊涂。

這篇文章介紹了如何在最常見(jiàn)的編碼方式(Unicode, UTF-8, ANSI)之間進(jìn)行轉(zhuǎn)換，結(jié)合代碼實(shí)例，清晰明了，方便讀者理解，例子也可以直接拿來(lái)使用。本文推薦給經(jīng)常對(duì)文字字符串進(jìn)行處理的程序員閱讀，使其掌握字符轉(zhuǎn)換的一些基本方法。

正文

C++的項(xiàng)目，字符編碼是一個(gè)大坑，不同平臺(tái)之間的編碼往往不一樣，如果不同編碼格式用一套字符讀取格式讀取就會(huì)出現(xiàn)亂碼。因此，一般都是轉(zhuǎn)化成UTF-8這種平臺(tái)通用，且支持性很好的編碼格式。

Unicode、UTF-8的概念不做過(guò)多解釋，這里說(shuō)一下ANSI，我第一次看到這個(gè)名詞，我看成了ASCII。被Mentor狠批一頓。

ANSI是一種字符代碼，為使計(jì)算機(jī)支持更多語(yǔ)言，通常使用 0x00 ~ 0x7F范圍的1 個(gè)字節(jié)來(lái)表示 1 個(gè)英文字符。超出此范圍使用0x80~0xFFFF來(lái)編碼，即擴(kuò)展的ASCII編碼。

?

不同的國(guó)家和地區(qū)制定了不同標(biāo)準(zhǔn)，由此產(chǎn)生了 GB2312、GBK、GB18030、Big5、Shift_JIS 等各自的編碼標(biāo)準(zhǔn)。這些使用多個(gè)字節(jié)來(lái)代表一個(gè)字符的各種漢字延伸編碼方式，稱為 ANSI 編碼。在簡(jiǎn)體中文Windows操作系統(tǒng)，ANSI 編碼代表 GBK 編碼；在繁體中文Windows操作系統(tǒng)，ANSI編碼代表Big5；在日文Windows操作系統(tǒng)，ANSI 編碼代表 Shift_JIS 編碼。

以上內(nèi)容摘自百度百科，可以看出，ANSI和ASCII還是有關(guān)系的。ANSI也叫本地碼。

我們要做到能在Unicode、UTF-8、ANSI這三種編碼格式中自由轉(zhuǎn)換。如下圖所示：

在C++中，要怎么做呢？當(dāng)然是用標(biāo)準(zhǔn)庫(kù)的東西啦，C++11對(duì)國(guó)際化標(biāo)準(zhǔn)做得還是可以的，提供了這些接口，正如圖中虛線所示，標(biāo)準(zhǔn)庫(kù)沒(méi)有提供UTF-8到ANSI的互相轉(zhuǎn)化接口，但是我們可以自己封轉(zhuǎn)接口，借用這條路(UTF-8 <=> Unicode <=> ANSI)來(lái)實(shí)現(xiàn)。

因此，接下來(lái)就聊聊UTF8 <=> Unicode和Unicode <=> ANSI。

UTF8 <=> Unicode

先看代碼：

std::string UnicodeToUTF8(const std::wstring & wstr){    std::string ret;    try {        std::wstring_convert< std::codecvt_utf8<wchar_t> > wcv;        ret = wcv.to_bytes(wstr);    } catch (const std::exception & e) {        std::cerr << e.what() << std::endl;    }    return ret;}std::wstring UTF8ToUnicode(const std::string & str){    std::wstring ret;    try {        std::wstring_convert< std::codecvt_utf8<wchar_t> > wcv;        ret = wcv.from_bytes(str);    } catch (const std::exception & e) {        std::cerr << e.what() << std::endl;    }    return ret;}

UTF-8是多字節(jié)字符串(multibyte string)，而Unicode是寬字符字符串(wchar_t string)。

而C++11提供了wstring_convert這個(gè)類，這個(gè)類可以在wchar_t string和multibyte string之間來(lái)回轉(zhuǎn)換；

而codecvt_utf8可以提供UTF-8的編碼規(guī)則。這個(gè)類在#include 中。有了wstring_convert提供寬字符字符串到多字節(jié)字符串的轉(zhuǎn)化，而這個(gè)轉(zhuǎn)換規(guī)則由codecvt_uft8提供。這樣子就可以實(shí)現(xiàn)UTF8和Unicode的互相轉(zhuǎn)換。

從UTF8到Unicode調(diào)用成員函數(shù)wstring_convert::from_bytes；
從Unicode到UTF8調(diào)用成員函數(shù)wstring_convert::to_bytes；

Unicode <=> ANSI

std::string UnicodeToANSI(const std::wstring & wstr){    std::string ret;    std::mbstate_t state = {};    const wchar_t *src = wstr.data();    size_t len = std::wcsrtombs(nullptr, &src, 0, &state);    if (static_cast<size_t>(-1) != len) {        std::unique_ptr< char [] > buff(new char[len + 1]);        len = std::wcsrtombs(buff.get(), &src, len, &state);        if (static_cast<size_t>(-1) != len) {            ret.assign(buff.get(), len);        }    }    return ret;}std::wstring ANSIToUnicode(const std::string & str){    std::wstring ret;    std::mbstate_t state = {};    const char *src = str.data();    size_t len = std::mbsrtowcs(nullptr, &src, 0, &state);    if (static_cast<size_t>(-1) != len) {        std::unique_ptr< wchar_t [] > buff(new wchar_t[len + 1]);        len = std::mbsrtowcs(buff.get(), &src, len, &state);        if (static_cast<size_t>(-1) != len) {            ret.assign(buff.get(), len);        }    }    return ret;}

標(biāo)準(zhǔn)庫(kù)提供了wcsrtombs和mbsrtowcs這兩個(gè)函數(shù)，當(dāng)然C的標(biāo)準(zhǔn)庫(kù)也提供了這兩個(gè)函數(shù)。

講下wcsrtombs，這個(gè)函數(shù)把寬字符串轉(zhuǎn)成多字節(jié)字符串。編碼規(guī)則受地域的LC_CTYPE影響。因此這個(gè)函數(shù)可以用于本地碼的轉(zhuǎn)化(和本地的編碼息息相關(guān))。

因此，有關(guān)于本地碼的使用，在代碼中要加上下列語(yǔ)句：

setlocale(LC_CTYPE, "");

目的是讓本地碼生效，這條代碼的作用就是讓C++語(yǔ)言的Locale(地域)和本地的地域相同。在Linux下可以運(yùn)行l(wèi)ocale命令看看：

可以看到，LC_CTYPE = en_US.UTF-8，這表示英文，英國(guó)，UTF-8編碼，也就是說(shuō)本地碼就是這個(gè)。

當(dāng)然，你也可以在setlocale中指定一些編碼規(guī)則，把wcsrtombs用于別的編碼轉(zhuǎn)化，但是，這里不推薦，因?yàn)閟etlocale是全局的，設(shè)置了這個(gè)就會(huì)影響其他地方的編碼。

wcsrtombs的四個(gè)參數(shù)分別代表什么意思呢？

std::size_t wcsrtombs( char* dst, const wchar_t** src, std::size_t len, std::mbstate_t* ps );

dst，轉(zhuǎn)化后的結(jié)果存入dst指向的內(nèi)存；
src，待轉(zhuǎn)化的字符串的指針的指針；
len，dst指向內(nèi)存的可用字節(jié)數(shù)；
ps，轉(zhuǎn)換的狀態(tài)，一般默認(rèn)初始化就好了；
return type，轉(zhuǎn)化后結(jié)果的長(zhǎng)度，不包含。

注意：如果dst == nullptr，這個(gè)時(shí)候wcstombs的返回值表示會(huì)有這么多字節(jié)的結(jié)果產(chǎn)生，因此，我們可以拿到這個(gè)返回值去新建一個(gè)數(shù)組來(lái)存儲(chǔ)new char[len + 1]。所以，一般調(diào)用兩次wcstombs。

mbsrtowcs同理。

UTF-8 <=> ANSI

以Unicode為中介裝換便是。

std::string UTF8ToANSI(const std::string & str){    return UnicodeToANSI(UTF8ToUnicode(str));}std::string ANSIToUTF8(const std::string & str){    return UnicodeToUTF8(ANSIToUnicode(str));}

總結(jié)

C++11的標(biāo)準(zhǔn)庫(kù)還是挺強(qiáng)大的，雖然這么強(qiáng)大，但是很多特性還不了解，因此還是要多擴(kuò)寬自己的視野，不然有好東西都不知道用，那就棒槌了。

對(duì)了，在Linux下加上setlocale(LC_CTYPE, "")后程序在命令行中可以正常顯示，不加有可能不正常顯示，原因是setlocale(LC_CTYPE, "")也影響了cout，全局的嘛；而在CodeBlocks下不能正常顯示，不知道為什么，但是調(diào)試的過(guò)程中，觀察到了正常的結(jié)果；Visual Studio中沒(méi)有做實(shí)驗(yàn)，不過(guò)應(yīng)該沒(méi)問(wèn)題。

　　審核編輯：湯梓紅

閱讀全文