跨平台程序的UNICODE字符串处理方法。

王朝other·作者佚名 2006-01-10

宽屏版字体: 小|中|大|超大

在windows下面编程，我们通常都知道unicode这个概念，如果一个程序是unicode的，那么他将调用

unicode的api。这个时候，所有传递给api的字符串参数都要是unicode的.如果使用C的风格，是很简单的

，字符串全部由char* str 转变成TCHAR* str,使用的crt函数(其实也是api)时调用_tcslen类的函数族就

可以了。

在讨论其它问题前要先明确一个概念:unicode 与 utf-8编码,utf-16编码是两个不同类别的术语。

unicode对一个字符提供了一个唯一的编码(参看下面的资料，关于UCS-2与UCS-4)

假设"中"这个字符的编码是0x34 0x34(我乱写的),utf-8对其编码，得到的是 0xE3 0x90 0xB6 需要3byte

的空间进行存储。不同的unicode码经过utf-8编码后会得到变长的结果.比如说'a'经过utf-8编码后得到

的是和ascii码相同,只占1个byte.对unicode使用不同的方法编码,可以有效的节约存储空间(如果选择了

错误的编码,会浪费空间).

中的unicode(UCS-2)值和编码后的结果

unicode utf-8

00110100 00110100 11100011 10010000 10110110

a的unicode值和编码后的结果

unicode utf-8

00000000 01100001 01100001

这里得出的结论是utf-8,utf-16编码是在存储字符串信息前的一个选择,而不是处理字符串的选择.

OK,问题回到字符串编程上来。第一个问题，就是要选择内存中的字符串格式，包括自己所有需要传递字

符串参数的函数的参数定义。我们这里有3个选择，char*(ASCII string),unsigned short*(UCS2

string,windows下的unicode),unsigned long*(UCS4 string,真正的unicode支持)。windows下的api是不

支持UCS4的，所以在windows平台下最好只做前2个的选择。类似于windows的TCHAR定义，我们可以做这样

的定义

#ifdef _UCS2

#define TCHAR unsigned short

#else

#ifdef _UCS4

#define TCHAR unsigned long

#else

#define TCHAR char

#endif

然后有一个问题，如果在程序中需要使用一个预定义的字符串，比如说

TCHAR* str = "中国";

那么,str指向的常量字符串的编码是ACSII string,还是UCS2 unicode string,还是UCS4 unicode

string,是取决于编译器的。这样就容易造成许多不易发现的错误。这里要推荐一个string table的概念

，用如下代码替换。

const TCHAR* str = StringTable::LoadStr(ID_HOMELOAD_NAME);

StringTable类解析一个指定编码的本地字符串表XML文件(可以用各种编码存储)，这个文件可以使用自定

义的工具或则是各种XML编辑工具来生成。使用StringTable::SetOutPutType(enum MemStrType)来使之在

LoadStr的时候转成各种字符串编码。当然，这个类中定义了一系列的编码转换函数，比如说

UTF8TOASCII,UTF8TOUCS2,UTF8TOUCS4,UCS4TOUCS2,UCS4TOASCII,UCS4TOXXX,StringTalbe内部使用UCS4作

为读取后的字符串存储格式，然后再根据StringTable::SetOutPutType指定的输出类型生成相应编码的

Table.这样做的好处就是把这个编码的问题重视化，即时出现编码不一致的错误，也能立刻修正。

在linux下,系统对UCS4的支持比较好，#include<wchar.h>，里面的函数的接口都是ucs4 string.所以如果写跨平台程序，肯定是要用ucs2的(UCS4windows不支持，而且可以节约内存，但是你的程序就不是真正的UNICODE3.1 Support了，而且也不能支持国家标准GB18030).然后再调用linux的相关函数时，转化为UCS4.参考文章http://www0.ccidnet.com/tech/os/2001/07/31/58_2811.html。我懒得写了。

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

p.s 我摘得一些相关术语的定义

Unicode 的定义

Unicode 通常用作涉及双字节字符编码方案的通用术语。Unicode CCS 3.1 的官方称谓是 ISO10646-1 通

用多八字节编码字符集（Universal Multiple Octet Coded Character Set，UCS）。Unicode 3.1 版本

添加了 44,946 个新的编码字符。算上 Unicode 3.0 版本已经存在的 49,194 个字符，共计 94,140 个

。

Unicode 编码字符集利用了一个由 128 个三维的组构成的四维编码空间。其中每个组包含 256 个二维平

面。每个平面由 256 个一维的行组成，并且每个行有 256 个单元。每个单元在这个编码空间内对一个字

符编码，或者被声明为未经使用。这种编码概念被称为 UCS-4；四个八位元用来表示指定组、平面、行和

单元的每个字符。

第一个平面（第 00 组的第 00 平面）是基本多语言平面（Basic Multilingual Plane，BMP）。BMP 按