ANSI&Unicode编码相关

 

ASCII

常见的英文字符，数字，以及标点符号。用一个字节表示，一共可表示256个字符，对于使用英文的国家来说已经足够，但是对于像中国，1个字节不足以表示所有的字符，所以在ASCII的基础上，对其进行拓展，形成了自己的字符集和编码方式。

ANSI

不同的国家地区制定了不同的标准表示自己的字符，如：

中国大陆：GBK18030

中国台湾：BIG5

日本：SJIS

这些编码统称为ANSI编码。在简体中文系统下，ANSI编码代表的就是GBK，而在繁体中文系统下，ANSI代表的就是BIG。ANSI对ASCII是兼容的，既是不同的ANSI编码对ASCII字符的码值都是一样的，就是ASCII码值。但是不同的ANSI编码之间是不兼容的，在GBK中这个码值在BIG中可能就对应与另外一个字符。对于纯文本来说只有一种编码方式，因此你不能在一个ANSI编码的文本中存储不同的语言文字。例如：如果你在ANSI编码的文本中既输入简体又输入繁体，那么在简体中文系统中，简体可以正确显示，而繁体则是乱码；相反的，在繁体中文系统中，繁体可以正确显示，而简体则是乱码。为了解决这个问题，就出现了Unicode编码。

Unicode

Unicode（Universal Multiple-Octet Coded Character Set）采用两个字节对所有的语言进行统一编码。这样就可以在一个Unicode编码的文本中存储不同国家的语言文字了。它对ASCII码也是兼容的。Unicode一共可以表示65536个字符，这个够用吗？目前是够用了，应对于将来的可能情况，还有4个字节的Unicode编码。因此Unicode分为ucs-2和ucs-4编码。

但是ASCII字符在ucs-2中的编码，是在原来一个字节的前面再加上0x00，这样在C语言处理字符的时候，就会把它当成是字符串的结束符‘/0’。因此需要对这个问题进行解决，一个办法就是wchar_t，以0x0000作为结束符；另外一个办法就是用UTF（UCS Transformation Format）来对Unicode进行编码。

UTF-8

UTF是通用字符编码传输格式。根据最小编码单位分为UTF-8，UTF-16，UTF-32。

UTF-8将unicode码划分为三段，每一段采用不同的编码方法：

0x0000-0x007F   0x0*******   一个字节

0x0080-0x07FF   0x110*****   0x10******   两个字节

0x0800-0xFFFF   0x1110****   0x10******   0x10******   三个字节

对windows文本文件txt而言，它利用开头的几个字节来判断：
EF BB BF　　　 UTF-8
FE FF　　　　　UTF-16/UCS-2, little endian
FF FE　　　　　UTF-16/UCS-2, big endian
FF FE 00 00　　 UTF-32/UCS-4, little endian.
00 00 FE FF　　 UTF-32/UCS-4, big-endian.

Codepage

如何把各国编码和Unicode之间互相转换？这就需要用到Codepage，就是各国编码和Unicode之间的转换映射表。常见的有：

codepage=936 简体中文GBK

codepage=950 繁体中文BIG5

codepage=437 美国/加拿大英语

codepage=932 日文

codepage=949 韩文

codepage=65001 unicode UFT-8

MBCS&Unicode

在VC工程中，可以设置工程的属性采用的字符集是MBCS（Multi-Byte Character Set）还是Unicode。其实就是说，程序运行时对字符识别是采用ANSI编码还是ucs-2编码。因为各国的ANSI编码可能是2个，3个字节等，所以都统称为多字节字符集。当然为了程序的多语言特性，我们最好使用Unicode，这样我们就可以显示出多国语言。如果设置工程属性采用MBCS，那么只能显示ASCII字符和local字符（通常就是你的操作系统的语言，但是可以通过setlocal函数来设置本地语言）。

_TCHAR

因为可能我们的程序采用的字符集可能是MBCS，也有可能是Unicode，所以我们在程序中对字符串的类型不能固定的声明为char*或者是wchar_t*类型，这样就不能很好的实现字符集的无关性。而是要使用到Tchar.h中定义的类型_TCHAR，如果工程采用MBCS，则它被定义为char；如果采用Unicode，则它被定义为wchar_t类型。与此类似的，关于字符串的处理函数我们也需要换成tcs开头的函数。例如_tcslen()，_itot()。

msdn上对于_TCHAR的说明如下：

Preprocessor Directives for Generic-Text Mappings

# define

Compiled version

Example

_UNICODE

Unicode (wide-character)

_tcsrev maps to _wcsrev

_MBCS

Multibyte-character

_tcsrev maps to _mbsrev

None (the default: neither _UNICODE nor _MBCS defined)

SBCS (ASCII)

_tcsrev maps to strrev

Generic-Text Data Type Mappings

Generic-Text Data Type Name

_UNICODE & _MBCS Not Defined

_MBCS Defined

_UNICODE Defined

_TCHAR

char

char

wchar_t

_TINT

int

int

wint_t

_TSCHAR

signed char

signed char

wchar_t

_TUCHAR

unsigned char

unsigned char

wchar_t

_TXCHAR

char

unsigned char

wchar_t

_T or _TEXT

No effect (removed by preprocessor)

No effect (removed by preprocessor)

L (converts following character or string to its Unicode counterpart)

 

除此之外的T类型还有：LPCTSTR, LPTSTR等等。

Reference：

【1】       http://bbs.hfutbbs.com/read.php?tid=223267

【2】       http://blog.csdn.net/lesterjames/archive/2005/09/28/491619.aspx

【3】       http://msdn.microsoft.com/zh-cn/library/c426s321(VS.80).aspx