关于unicode和多字节之间的关系及区别（笔记）

  我们都知道微软采用了两种字符集编码格式，一种是unicode编码；另一种便是多字节编码格式。那他们之间的关系是什么呢？好的，让我们先看下面一段程序：

TCHAR* p = _T("it学吧");
// 多字节字符集
int a = sizeof(p); //===???
int b = _tcslen(p);//===???;
// 在UNICODE字符集下
int c = sizeof(p); //===???
int d = _tcslen(p);//===???

 

这道题已经可以体现unicode和多字节之间有什么区别了。首先呢，_tcslen这个函数在是一个宏定义，定义如下：

#ifdef _UNICODE
#define _tcslen wcslen

#else

#define _tcslen  strlen

#endif

 

上面的表述清楚明了，也就是说：

当没有定义_UNICODE宏时，TCHAR = char，_tcslen = strlen

当定义了_UNICODE宏时，TCHAR = wchar_t ， _tcslen = wcslen

 

由于p是指针类型，也即是表述地址的变量，在32位机上为4字节，所以a和c均为4，多字节的意思是字符串中可以是一个字节表示也可以两个字节表示，英文字符一个字节即可，不过汉字需要两个字节（生僻字除外 ），所以在多字节情况下b是6,（i占一个字节，t占一个字节,(“学吧”)两个汉字各占两个字节）字符串结束符号不算，因为只计算有效长度。在unicode环境下,d为4,(因为此时_tcslen为函数wcslen，一次跨步两个字节，也即是一个长度代表两个字节)此时字符串结束标志需要两个'\0'表示，如果不全是两个结束标志，则计算机认为此字符串没有结束,所以此时计算过程为：字母'i'占两个字节，其中前一个为'\o',第二个为其'i'，t亦是如此，‘学吧’各自占两个字节，也就是两个长度，所以此时字符串长度为4。由于刚开始写博客，如若有误，敬请指正~~~~~

附：

通常我们说汉字是占用2字节（GB-2312）。
具体依据汉字编码形式有所不同：
GB－231280 编码为 2个字节(Byte) 包含了 20902 个汉字，其编码范围是 0x8140-0xfefe。
GB18030-2000(GBK2K) 在 GBK 的基础上进一步扩展了汉字，增加了藏、蒙等少数民族的字形。编码是变长的，其二字节部分与 GBK 兼容；四字节部分是扩充的字形、字位，其编码范围是首字节 0x81-0xfe、二字节0x30-0x39、三字节 0x81-0xfe、四字节0x30-0x39