正确使用 Unicode 和 MBCS 字符集
在 Windows 下做开发,初学者经常面临字符集选择的问题。本文详细解释 MBCS 字符集和 Unicode 字符集的正确使用方法,以及为什么写程序要用 Unicode 字符集。同时对 UTF-8 做了简单介绍。
在程序中正确使用字符集
以 VC 为例,微软在 VC6.0 的时候,创建项目的默认字符集是 MBCS。从 VC2002(就是 VC7.0)开始,默认字符集就变为了 Unicode,直到今天。
为了减少字符编码造成的种种问题,请务必确保整个项目使用相同的字符集编码。比如,如果设置项目字符集为 Unicode,那么整个项目都要用 Unicode 方式处理字符串。具体方法:
1. 设置项目字符集
有两种方法设置项目字符集。
方法一,在项目属性中设置:
以 VC2010 Express 为例:在 Solution Explorer 右击项目 -> Properties,打开的属性窗口中,左侧选择 Configuration Properties / General 分类,右边将 Character Set 设置为 Use Unicode Character Set 即表示将项目设置为 Unicode 字符集,设置为 Use Multi-Byte Character Set 即表示将项目设置为 MBCS 字符集。
方法二,在代码中设置:
在代码的最顶部增加以下代码,表示程序使用 Unicode 字符集:
#define UNICODE
#define _UNICODE
在代码的最顶部增加以下代码,表示程序使用 MBCS 字符集:
#undef UNICODE
#undef _UNICODE
备注:_UNICODE 用于 C 运行库,UNICODE 用于 WINAPI。
2. 写程序时使用对应的字符集
对于 MBCS 字符集:char 定义字符(串),字符和字符串常量直接使用(例如:“Hello” 表示 MBCS 字符串),字符串函数可以使用 strlen、strcpy、strcmp 等。STL 可以使用 string。
对于 Unicode 字符集:wchar_t 定义字符(串),字符和字符串常量加 L 前缀(例如:L"hello" 表示 Unicode 字符串),字符串函数可以使用 wcslen、wcscpy、wcscmp 等。STL 可以使用 wstring。
如果需要同时适用 Unicode 和 MBCS 两种字符集编码:TCHAR 定义字符(串),字符和字符串常量加 _T("")
(例如:_T("hello")
表示 Unicode/MBCS 自适应字符串),字符串函数可以使用 _tcslen
、_tcscpy
、_tcscmp
等。
具体每个字符串函数在不同字符集编码下的函数名,请参考微软的帮助文档。
通过示例展现 Unicode 比 MBCS 的优势
- 实验环境 Windows 7 + VC2010 Express + EasyX_20220116。(在 Win10 下可以得到同样的结果)
- 因为代码中涉及到英文中文韩文字符,需要将 .cpp 文件以 UTF-8 编码保存。方法:File -> Save xxx.cpp As…,在文件另存为对话框里,“保存”按钮右边有一个向下的箭头,点击后选择“Save with Encoding…”,同意覆盖原文件,然后 Encoding 选择 Unicode (UTF-8 with signature) - Codepage 65001,Line endings 不用调整,确定保存即可。
两个示例程序的具体设置与代码
第一个示例程序:
项目名称 TestUnicode
项目类型:Win32 Console Application
项目字符集:Unicode
#include <graphics.h>
#include <conio.h>
int main()
{
wchar_t s[] = L"厉害了我的国";
initgraph(640, 480);
settextstyle(24, 0, L"微软雅黑");
outtextxy(10, 30, s);
_getch();
closegraph();
return 0;
}
第二个示例程序:
项目名称 TestMbcs
项目类型:Win32 Console Application
项目字符集:MBCS
#include <graphics.h>
#include <conio.h>
int main()
{
char s[] = "厉害了我的国";
initgraph(640, 480);
settextstyle(24, 0, "微软雅黑");
outtextxy(10, 30, s);
_getch();
closegraph();
return 0;
}
原理解释
ASCII 码规定了每个字符一个字节,前 128 个属于常规 ASCII 码,后 128 个属于扩展 ASCII 码。常规 ASCII 码里面含有英文大小写字母、阿拉伯数字、常见标点符号等。扩展 ASCII 码里面是一些不常用的字符。
于是在过去,想要表示多语言的时候,就利用了扩展 ASCII 码不常用的特点,将两个连续的扩展 ASCII 码表示成其它语言。
例如中文的 GB2312 编码,将汉字分成 94 个区和 94 个位,区和位分别使用了扩展 ASCII 码的 161~254 这个范围。“中国”两字的区位码分别是 5448 2590,那么可以构造一个这样的程序(暂时忽略编译警告):
// 设置为 MBCS 字符集
#undef UNICODE
#undef _UNICODE
#include <graphics.h>
#include <conio.h>
int main()
{
// “中”的区位码是 54 48,“国”的区位码是 25 90
char s[] = {160 + 54, 160 + 48, 160 + 25, 160 + 90, 0};
initgraph(640, 480);
settextstyle(24, 0, "微软雅黑");
outtextxy(10, 30, s);
_getch();
closegraph();
return 0;
}
执行这个程序,可以成功的输出“中国”两个字。
这就是在 MBCS 字符集下中文的表示形式。
其他语言类似,比如韩文的 EUC-KR 编码(过去叫 KSC5601 编码),也用的两个扩展 ASCII 码,并且范围也是 0xA1-0xFE。台湾地区的 BIG5 编码也覆盖了这个范围。那么问题来了:两个扩展 ASCII 码,究竟表示中文、韩文还是繁体中文或者别的语言?
这取决于操作系统的系统区域(locale)设置,
当 locale 设置为简体中文,那么两个连续的扩展 ASCII 码就会根据 GB2312 编码解析;
当 locale 设置为韩文,那么两个连续的扩展 ASCII 码就会根据 EUC-KR 编码解析。
由此可知:
- 系统区域设置错误,MBCS 字符集的字符串就无法正确显示。
- MBCS 字符集无法实现多语言混合显示。
当编码与 locale 不匹配的时候,就会出现“乱码”。
Unicode 字符集整合了全世界所有语言的文字,任何语言的任何一个文字,在 Unicode 编码中都有唯一的值对应。因此不再需要设置“系统区域(locale)”,也就不会产生“乱码”了。
就像前面的实验看到的那样,采用 Unicode 字符集的程序,无论是同时显示多少种语言,无论在什么语言的操作系统上执行,都可以正常显示。
该文章会更新,欢迎大家批评指正。文章来源:https://www.toymoban.com/news/detail-727591.html
推荐一个零声学院的C++服务器开发课程,个人觉得老师讲得不错,
分享给大家:Linux,Nginx,ZeroMQ,MySQL,Redis,
fastdfs,MongoDB,ZK,流媒体,CDN,P2P,K8S,Docker,
TCP/IP,协程,DPDK等技术内容
点击立即学习:C/C++后台高级服务器课程文章来源地址https://www.toymoban.com/news/detail-727591.html
到了这里,关于正确使用 Unicode 和 MBCS 字符集的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!