浅谈文字编码和Unicode

source:http://www.fmddlmyy.cn/text16.html 

浅谈文字编码和Unicode（上）

我曾经写过一篇《谈谈Unicode编码，简要解释UCS、UTF、BMP、BOM等名词》 （以 下简称《谈谈Unicode编码》），在网上流传较广，我也收到不少朋友的反馈。本文探讨《谈谈Unicode编码》中未介绍或介绍较少的代码页、 Surrogates等问题，补充一些Unicode资料，顺带介绍一下我最近编写的一个Unicode工具：UniToy。本文虽然是前文的补充，但在 写作上尽量做到独立成篇。

标题中的“浅谈”是对自己的要求，我希望文字能尽量浅显易懂。但本文还是假设读者知道字节、16进制，了解《谈谈Unicode编码》中介绍过的字节序和Unicode的基本概念。

0 UniToy

UniToy是我编写的一个小工具。通过UniToy，我们可以全方位、多角度地查看Unicode，了解Unicode和语言、代码页的关系，完成一些文字编码的相关工作。本文的一些内容是通过UniToy演示的。大家可以从我的网站（www.fmddlmyy.cn ）下载UniToy的演示版本 。

1 文字的显示

1.1 发生了什么？

我们首先以Windows为例来看看文字显示过程中发生了什么。用记事本打开一个文本文件，可以看到文件包含的文字：

如果我们用UltraEdit或Hex Workshop查看这个文件的16进制数据，可以看到：

我们看到：文件“例子GBK.txt”有10个字节，依次是“D7 D6 B7 FB BA CD B1 E0 C2 EB”，这就是记事本从文件中读到的内容。记事本是用来打开文本文件的，所以它会调用Windows的文本显示函数将读到的数据作为文本显示。 Windows首先将文本数据转换到它内部使用的编码格式：Unicode，然后按照文本的Unicode去字体文件中查找字体图像，最后将图像显示到窗 口上。 总结一下前面的分析，文字的显示应该是这样的：

• 步骤1：文字首先以某种编码保存在文件中。
• 步骤2：Windows将文件中的文字编码映射到Unicode。
• 步骤3：Windows按照Unicode在字体文件中查找字体图像，画到窗口上。

所谓编码就是用数字表示字符，例如用D7D6表示“字”。当然，编码 还意味着约定 ，即大家都认可。从《谈谈 Unicode编码》中，我们知道Unicode也是一种文字编码，它的特殊性在于它是由国际组织设计，可以容纳全世界所有语言文字。而我们平常使用的文 字编码通常是针对一个区域的语言、文字设计，只支持特定的语言文字。例如：在上面的例子中，文件“例子GBK.txt”采用的就是GBK编码。

如果上述3个步骤中任何一步发生了错误，文字就不能被正确显示，例如：

• 错误1：如果弄错了编码，例如将Big5编码的文字当作GBK编码，就会出现乱码。

  

• 错误2：如果从特定编码到Unicode的映射发生错误，例如文本数据中出现该编码方案未定义的字符，Windows就会使用缺省字符，通常是?。

  

• 如果当前字体不支持要显示的字符，Windows就会显示字体文件中的缺省图像：空白或方格。

在Unicode被广泛使用前，有多少种语言、文字，就可能有多少种文字编码方案。一种文字也可能有多种编码方案。那么我们怎么确定文本数据采用了什么编码？

1.2 采用了哪种编码？

按照惯例，文本文件中的数据都是文本编码，那么它怎么表明自己的编码格式？在记事本的“打开”对话框上：

我们可以看到记事本支持4种编码格式：ANSI、Unicode、Unicode big endian、UTF-8。如果读者看过《谈谈Unicode编码》，对Unicode、Unicode big endian、UTF-8应该不会陌生，其实它们更准确的名称应该是UTF-16LE（Little Endian）、UTF-16BE（Big Endian）和UTF-8，它们是基于Unicode的不同编码方案。

在《谈谈Unicode编码》中介绍过，Windows通过在文本文件开头增加一些特殊字节（BOM）来区分上述3种编码，并将没有BOM的文本数据按照ANSI代码页处理。那么什么是代码页，什么是ANSI代码页？

2 代码页和字符集

2.1 Windows的代码页

2.1.1 代码页

代码页（Code Page）是个古老的专业术语，据说是IBM公司首先使用的。代码页和字符集的含义基本相同，代码页规定了适用于特定地区的字符集合，和这些字符的编码。可以将代码页理解为字符和字节数据的映射表。

Windows为自己支持的代码页都编了一个号码。例如代码页936就是简体中文 GBK，代码页950就是繁体中文 Big5。代码页的概念比较简单，就是一个字符编码方案。但要说清楚Windows的ANSI代码页，就要从Windows的区域（Locale）说起 了。

2.1.2 区域和ANSI代码页

微软为了适应世界上不同地区用户的文化背景和生活习惯，在Windows中设计了区域（Locale）设置的功能。Local是指特定于某个国家或 地区的一组设定，包括代码页，数字、货币、时间和日期的格式等。在Windows内部，其实有两个Locale设置：系统Locale和用户 Locale。系统Locale决定代码页，用户Locale决定数字、货币、时间和日期的格式。我们可以在控制面板的“区域和语言选项”中设置系统 Locale和用户Locale：

每个Locale都有一个对应的代码页。Locale和代码页的对应关系，大家可以参阅我的另一篇文章《谈谈Windows程序中的字符编码》 的附录1。系统Locale对应的代码页被作为Windows的默认代码页。在没有文本编码信息时，Windows按照默认代码页的编码方案解释文本数据。这个默认代码页通常被称作ANSI代码页（ACP）。

ANSI代码页还有一层意思，就是微软自己定义的代码页。在历史上，IBM的个人计算机和微软公司的操作系统曾经是PC的标准配置。微软公司将 IBM公司定义的代码页称作OEM代码页，在IBM公司的代码页基础上作了些增补后，作为自己的代码页，并冠以ANSI的字样。我们在“区域和语言选项” 高级页面的代码页转换表中看到的包含ANSI字样的代码页都是微软自己定义的代码页。例如：

• 874 （ANSI/OEM - 泰文）
• 932 （ANSI/OEM - 日文 Shift-JIS）
• 936 （ANSI/OEM - 简体中文 GBK）
• 949 （ANSI/OEM - 韩文）
• 950 （ANSI/OEM - 繁体中文 Big5）
• 1250 （ANSI - 中欧）
• 1251 （ANSI - 西里尔文）
• 1252 （ANSI - 拉丁文 I）
• 1253 （ANSI - 希腊文）
• 1254 （ANSI - 土耳其文）
• 1255 （ANSI - 希伯来文）
• 1256 （ANSI - 阿拉伯文）
• 1257 （ANSI - 波罗的海文）
• 1258 （ANSI/OEM - 越南）

在UniToy中，我们可以按照代码页编码顺序查看这些代码页的字符和编码：

我们不能直接设置ANSI代码页，只能通过选择系统Locale，间接改变当前的ANSI代码页。微软定义的Locale只使用自己定义的代码页。所以，我们虽然可以通过“区域和语言选项”中的代码页转换表安装很多代码页，但只能将微软的代码页作为系统默认代码页。

2.1.3 代码页转换表

在Windows 2000以后，Windows统一采用UTF-16作为内部字符编码。现在，安装一个代码页就是安装一张代码页转换表。通过代码页转换表，Windows 既可以将代码页的编码转换到UTF-16，也可以将UTF-16转换到代码页的编码。代码页转换表的具体实现可以是一个以nls为后缀的数据文件，也可以 是一个提供转换函数的动态链接库。有的代码页是不需要安装的。例如：Windows将UTF-7和UTF-8分别作为代码页65000和代码页 65001。UTF-7、UTF-8和UTF-16都是基于Unicode的编码方案。它们之间可以通过简单的算法直接转换，不需要安装代码页转换表。

在安装过一个代码页后，Windows就知道怎样将该代码页的文本转换到Unicode文本，也知道怎样将Unicode文本转换成该代码页的文 本。例如：UniToy有导入和导出功能。所谓导入功能就是将任一代码页的文本文件转换到Unicode文本；导出功能就是将Unicode文本转换到任 一指定的代码页。这里所说的代码页就是指系统已安装的代码页：

其实，如果全世界人民在计算机刚发明时就统一采用Unicode作为字符编码，那么代码页就没有存在的必要了。可惜在Unicode被发明前，世界 各国人民都发明并使用了各种字符编码方案。所以，Windows必须通过代码页支持已经被广泛使用的字符编码。从这种意义看，代码页主要是为了兼容现有的 数据、程序和习惯而存在的。

2.1.4 SBCS、DBCS和MBCS

SBCS、DBCS和MBCS分别是单字节字符集、双字节字符集和多字节字符集的缩写。SBCS、DBCS和MBCS的最大编码长度分别是1字节、 两字节和大于两字节（例如4或5字节）。例如：代码页1252 （ANSI-拉丁文 I）是单字节字符集；代码页936 （ANSI/OEM-简体中文 GBK）是双字节字符集；代码页54936 （GB18030 简体中文）是多字节字符集。

单字节字符集中的字符都用一个字节表示。显然，SBCS最多只能容纳256个字符。

双字节字符集的字符用一个或两个字节表示。那么我们从文本数据中读到一个字节时，怎么判断它是单字节字符，还是双字节字符的首字符？答案是通过字节 所处范围来判断。例如：在GBK编码中，单字节字符的范围是0x00-0x80，双字节字符首字节的范围是0x81到0xFE。我们顺序读取字节数据，如 果读到的字节在0x81到0xFE内，那么这个字节就是双字节字符的首字节。GBK定义双字节字符的尾字节范围是0x40到0x7E和0x80到 0xFE。

GB18030是多字节字符集，它的字符可以用一个、两个或四个字节表示。这时我们又如何判断一个字节是属于单字节字符，双字节字符，还是四字节字 符？GB18030与GBK是兼容的，它利用了GBK双字节字符尾字节的未使用码位。GB18030的四字节字符的第一字节的范围也是0x81到 0xFE，第二字节的范围是0x30-0x39。通过第二字节所处范围就可以区分双字节字符和四字节字符。GB18030定义四字节字符的第三字节范围是 0x81到0xFE，第四字节范围是0x30-0x39。

2.2 代码页实例

2.2.1 实例一：GB18030代码页

1.1节的“错误2”中演示了一个全被显示成'?'的文件。这个文件的数据是：

其实，这是一个包含了6个四字节字符的GB18030编码的文件。记事本按照GBK显示这些数据，而GB18030的四字节字符编码在GBK中是未 定义的。Windows根据首字节范围判断出12个双字节字符，然后因为找不到匹配的转换而将其映射到默认字符'?'。使用UniToy按照 GB18030代码页导入这个文件，就可以看到：

这个GB18030编码的文件是用UniToy创建的，编辑Unicode文本，然后导出到GB18030编码格式。

2.2.2 实例二：GBK和Big5的转换

综合使用UniToy的导入、导出功能就可以在任意两个代码页之间转换文本。其实，由于各代码页支持的字符范围不同，我们一般不会直接在代码页间转换文本。例如将以下GBK编码的文本：

直接转换到Big5编码，就会看到：

变成'?'的字符都是Big5编码不支持的简化字。在从Unicode转换到Big5编码时，由于Big5编码不支持这些字符，Windows就用默认字符'?'代替。在UniToy中，我们可以先将简体字转换到繁体字，然后再导出到Big5编码，就可以正常显示：

同理，将Big5编码的文本转换到GBK编码的步骤应该是：

• 将Big5编码的文本导入到Unicode文本；
• 将繁体的Unicode文本转换简体的Unicode文本；
• 将简体的Unicode文本导出到GBK文本。

2.3 互联网的字符集

2.3.1 字符集

互联网上的信息缤纷多彩，但文本依然是最重要的信息载体。html文件通过标记表明自己使用的字符集。例如：

<meta http-equiv="Content-Type" content="text/html; charset=utf-8">

或者：

<meta http-equiv="charset" content="iso-8859-1">

那么我们可以使用哪些字符集（charset）呢？在IETF（互联网工程任务组）的网页上维护着一份可以在互联网上使用的字符集的清单：CHARACTER SETS 。如果有新的字符集被登记，IETF会更新这份文档。

简单浏览一下，2006年12月7日的版本列出了253个字符集。其中也包括微软的CP1250 ~ CP1258，在这里它们不会被称作什么ANSI代码页，而是被简单地称作windows-1250、windows-1251等。其实在Unicode 被广泛使用前，除了中日韩等大字符集，世界上，特别是西方使用最广泛的字符集应该是ISO 8859系列字符集。

2.3.2 ISO 8859系列字符集

ISO 8859系列字符集是欧洲计算机制造商协会（ECMA）在上世纪80年代中期设计，并被国际标准化（ISO）组织采纳为国际标准。ISO 8859系列字符集目前有15个字符集，包括：

• ISO 8859-1 大部分的西欧语系，例如英文、法文、西班牙文和德文等（Latin-1）
• ISO 8859-2 大部分的中欧和东欧语系，例如捷克文、波兰文和匈牙利文等（Latin-2）
• ISO 8859-3 欧洲东南部和其它各种文字（Latin-3）
• ISO 8859-4 斯堪的那维亚和波罗的海语系（Latin-4）
• ISO 8859-5 拉丁文与斯拉夫文（俄文、保加利亚文等）
• ISO 8859-6 拉丁文与阿拉伯文
• ISO 8859-7 拉丁文与希腊文
• ISO 8859-8 拉丁文与希伯来文
• ISO 8859-9 为土耳其文修正的Latin-1（Latin-5）
• ISO 8859-10 拉普人、北欧与爱斯基摩人的文字（Latin-6）
• ISO 8859-11 拉丁文与泰文
• ISO 8859-13 波罗的海周边语系，例如拉脱维亚文等（Latin-7）
• ISO 8859-14 凯尔特文，例如盖尔文、威尔士文等（Latin-8）
• ISO 8859-15 改进的Latin-1，增加遗漏的法文、芬兰文字符和欧元符号（Latin-9）
• ISO 8859-16 罗马尼亚文（Latin-10）

其中缺少的编号12据说是为了预留给天城体梵文字母（Deva-nagari）的。印地文和尼泊尔文都使用了这种在七世纪形成的字母表。由于印度定 义了自己的编码ISCII（Indian Script Code for Information Interchange），所以这个编号就未被使用。ISO 8859系列字符集都是单字节字符集，即只使用0x00-0xFF对字符编码。

大家都知道ASCII吧，那么大家知道ANSI X3.4和ISO 646吗？在1968年发布的ANSI X3.4和1972年发布的ISO 646就是ASCII编码，只不过是不同组织发布的。绝大多数字符集都与ASCII编码保持兼容，ISO 8859系列字符集也不例外，它们的0x00-0x7f都与ASCII码保持一致，各字符集的不同之处在于如何利用0x80-0xff的码位。使用 UniToy可以查看ISO 8859系列所有字符集的编码，例如：

通过这些演示，大家是不是觉得代码页和字符集都是很简单、朴实的东西呢？好，在进入Unicode的话题前，让我们先看一个很深奥的概念。

 

 

 

 

 

谈谈Windows程序中的字符编码

写这篇文章的起因是这么一个问题：我们在使用和安装Windows程序时，有时会看到以“2052”、“1033”这些数字为名的文件夹，这些数字似乎和字符集有关，但它们究竟是什么意思呢？

研究这个问题的同时，又会遇到其它问题。我们会谈到Windows的内部架构、Win32 API的A/W函数、Locale、ANSI代码页、与字符编码有关的编译参数、MBCS和Unicode程序、资源和乱码等，一起经历这段琐碎细节为主，间或乐趣点缀的旅程。

0 Where is Win32 API

Windows程序有用户态和核心态的说法。在32位地址空间中，用户态代码只能访问0x80000000以下空间（其实只是 0x00010000-0x7FFEFFFF），核心态代码可以访问0x80000000以上空间。所有硬件管理都在核心态。用户态代码不能直接使用核心 态的任何代码。所谓用户态、核心态其实只是不同的CPU特权级别。在x86 CPU上，用户态处于ring 3，核心态处于ring 0。

从用户态进入核心态的最常用的方法是在寄存器eax填一个功能码，然后执行int 2e。这有点像DOS时代的DOS和BIOS系统调用。在NT架构中这种机制被称作system service。

在核心态提供system service的有两个家伙：ntoskrnl.exe和win32k.sys。ntoskrnl.exe是Windows的大脑，它的上层被称为 Executive，下层被称作Kernel。Win32k.sys提供与显示有关的system service。

在用户态一侧，有一个重要的角色叫作ntdll.dll，大多数system service都是它调用的。它封装这些system service，然后提供一个API接口。这个接口被称作native API。 native API的用户是各个子系统（subsystem），包括Win32子系统、OS/2子系统、POSIX子系统。各个子系统为Win32、OS2、POSIX程序提供了运行平台。

ntdll.dll由于提供了平台无关的API接口，所以被看作是NT系统的原生接口，由之得到了“native API”的匪号。其实它的主要工作是将调用传递到核心态。

Win32、OS/2、POSIX，听起来很庞大。其实真正做好的只有Win32子系统。OS2、POSIX都是Console UI，即只有字符界面。提供OS/2子系统，只因为在1988年，NT的主要设计目标就是与OS/2兼容，后来由于Windows 3.0卖得很好，所以设计目标被变更为与Windows兼容。提供POSIX子系统，是为了应付美国政府的一个编号为FIPS 151-2的标准。

Win32子系统的管理员是一个叫作csrss.exe的弟兄，它的全名是：Client/Server Run-Time Subsystem。它刚上任时，本来要分管所有的子系统，但后来POSIX和OS/2都被分别处理了，所以只管了一个Win32。即使这样也很了不起， 所有的Win32程序的进程、线程们都要向它登记。

不过Win32程序用得最多的还是Win32子系统的DLL们，最核心的DLL包括：kernel32.dll、User32.dll、Gdi32.dll、Advapi32.dll。这些DLL包装了ntdll.dll的native API。其中Gdi32.dll比较特殊，它与核心态的win32k.sys直接保持联系，以提高NT系统的图形处理能力。Win32子系统的DLL们提供的接口函数在MSDN文档中被详细介绍，它们就是Win32 API。

附录0 Windows的启动

计算机上电后，从BIOS的ROM开始运行。BIOS在做一些初始化后会将硬盘的第一个扇区的数据读入内存，然后将控制权交给它，这段数据被称作Master Boot Record（MBR）。

MBR包含一段启动代码和硬盘的主分区表。这段启动代码扫描主分区表，找到第一个可以启动的分区，然后将这个分区的第一个扇区读入内存并运行。这个扇区被称作引导扇区（boot sector）。

引导扇区的代码具备读文件系统根目录的能力，显然不同的文件系统需要不同的代码。引导扇区会从根目录中读出一个叫作ntldr的文件。顾名思义，这个文件是load NT的主要角色。它的业绩主要包括将CPU从实模式转入保护模式，启动分页机制，处理boot.ini等。

如果boot.ini中有一句：

C:/bootsect.rh="Red Hat Linux"

bootsect.rh的内容是Linux引导扇区，用户又选择了“Red Hat Linux”，ntldr就会将执行Linux的引导扇区，开始Linux的引导。如果用户选择继续使用Windows，ntldr会装载并运行我们前面提到的ntoskrnl.exe。

ntoskrnl.exe会启动会话管理器smss.exe。smss.exe启动csrss.exe和winlogon.exe。 smss.exe会永远等待csrss.exe和winlogon.exe返回。如果两者之一异常中止，就会导致系统崩溃。所以病毒们经常以打击 csrss.exe为乐。

winlogon.exe负责用户登录，在完成登录后，它会启动注册表HKLM/SOFTWARE/Microsoft/Windows NT/Current Version/Winlogon项下Userinit值指定的程序。该值的缺省数据是userinit.exe。userinit.exe会装载个人设 置，让硬盘响个不停，并考验我们的耐性，最后启动注册表同一项下Shell值指定的程序。该值的缺省数据是Explorer.exe。 Explorer.exe运行后，我们就会看到熟悉的开始菜单和桌面。

1 Win32 API的A/W函数

要了解Win32子系统的DLL们提供了哪些API，最直接的方法就是用Win32dsm直接查看DLL们的导出表。这时我们会发现Win32 API中带字符串的API一般都有两个版本，例如CreateFileA和CreateFileW。当然也有例外，例如GetProcAddress函 数。

A代表ANSI代码页，W是宽字符，即Unicode字符。Windows中的Unicode字符一般指UCS2的UTF16-LE编码。让我们通过几个实例观察A/W版本间的关系。

例1：用WIn32dsm查看gdi32.dll的汇编代码，可以看到TextOutA调用GdiGetCodePage获取当前代码页，再调用MultiByteToWideChar转换输入的字符串，然后调用一个内部函数。而TextOutW直接调用这个内部函数。

例2：用调试器跟踪一个使用了CreateFileA的程序，可以看到：CreateFileA在将输入字符串转换为Unicode后，会调用CreateFileW。假设输入文件名是“测试.txt”，对应的数据就是：“B2 E2 CA D4 2E 74 78 74 00”。
在调试器中可以看到传给CreateFileW的文件名数据是：“4B 6D D5 8B 2E 00 74 00 78 00 74 00 00 00”。 这是"测试.txt"对应的Unicdoe字符串。CreateFileW会接着调用ntdll.dll中的NtCreateFile。顺便看看 NtCreateFile的代码：
mov eax, 00000020
lea edx, dword ptr [esp+04]
int 2E
ret 002C
可见这个native API只是简单地调用了核心态提供的0x20号system service。

例3：gdi32.dll中的GetGlyphOutline函数可以获取指定字符的字模。GetGlyphOutlineA和GetGlyphOutlineW函数都会调用同一个内部函数（记作F）。函数F在返回前将通过int 2E调用0x10B1号system service。
GetGlyphOutlineW直接调用函数F。GetGlyphOutlineA在调用函数F前，要依次调用GdiGetCodePage、 IsDBCSLeadByteEx和MultiByteToWideChar，将当前代码页的字符编码转换成Unicode编码。
如果我们调用GetGlyphOutlineA时传入“baba”，这是“汉”字的GBK编码，用调试器可以看到传给函数F的字符编码是“6c49”，这是“汉”字的Unicode编码。

从以上例子可见，A版本总会在某处将输入的字符串转换为Unicode字符串，然后和W版本执行相同的代码。在由A/W版本API引出MBCS程序和Unicode程序前，让我们先解释一下Locale和ANSI代码页。

2 Locale和ANSI代码页

2.1 Locale和LCID

Locale是指特定于某个国家或地区的一组设定，包括字符集，数字、货币、时间和日期的格式等。在Windows中，每个Locale可以用一个 32位数字表示，记作LCID。在winnt.h中可以看到LCID的组成。它的高16位表示字符的排序方法，一般为0。在它的低16位中，低10位是 primary language的ID，高4位指定sublanguage。sublanguage被用来区分同一种语言的不同编码。下面是部分primary language和sublanguage的常数定义：

#define LANG_CHINESE 0x04
#define LANG_ENGLISH 0x09
#define LANG_FRENCH 0x0c
#define LANG_GERMAN 0x07

#define SUBLANG_CHINESE_TRADITIONAL 0x01 // Chinese (Taiwan Region)
#define SUBLANG_CHINESE_SIMPLIFIED 0x02 // Chinese (PR China)
#define SUBLANG_ENGLISH_US 0x01 // English (USA)
#define SUBLANG_ENGLISH_UK 0x02 // English (UK)

好，现在我们可以计算简体中文的LCID了，将sublanguage的常数左移10位，即乘上1024，再加上primary language的常数：2*1024+4=2052，16进制是0804。美国英语是：1*1024+9=1033，16进制是0409。。繁体中文是 1*1024+4=1028，16进制是0404。

2.2 代码页

每个Locale都联系着很多信息，可以通过GetLocalInfo函数读取。其中最重要的信息就是字符集了，即Locale对应的语言文字的编码。Windows将字符集称作代码页。

每个Locale可以对应一个ANSI代码页和一个OEM代码页。Win32 API使用ANSI代码页，底层设备使用OEM代码页，两者可以相互映射。

例如English (US)的ANSI和OEM代码页分别为“1252 (ANSI - Latin I)”和“437 (OEM - United States)”。 Chinese (PRC)的ANSI和OEM代码页都是“936 (ANSI/OEM - Simplified Chinese GBK)”。 Chinese (TW)的ANSI和OEM代码页都是“950 (ANSI/OEM - Traditional Chinese Big5)”。

附录1中有一张很长的表。列出了我正在使用的Windows所支持的135个Locale的部分信息，包括 LCID、国家/地区名称、语言名称、语言缩写和对应的ANSI代码页。

2.3 系统Locale、用户Locale，再谈ANSI代码页

在Windows中，通过控制面板可以为系统和用户分别设置Locale。系统Locale决定代码页，用户Locale决定数字、货币、时间和日期的格式。这不是一个好的设计，后面会谈到它带来的问题。

使用GetSystemDefaultLCID函数和GetUserDefaultLCID函数分别得到系统和用户的LCID。有很多材料将这两个 函数和另外两个函数混淆：GetSystemDefaultUILanguage和GetUserDefaultUILanguage。

GetSystemDefaultUILanguage和GetUserDefaultUILanguage得到的是您当前使用的Windows版本所带的UI资源的语言。

用户程序缺省使用的代码页是当前系统Locale的ANSI代码页，可以称作ANSI编码，也就是A版本的Win32 API默认的字符编码。对于一个未指定编码方式的文本文件，Windows会按照ANSI编码解释。

2.4 AppLocale

如果一个文本文件采用BIG5编码，系统当前的ANSI代码页是GBK。打开这个文件，就会显示乱码。例如“中文”在BIG5中的编码是A4A4、A4E5，这两个编码在GBK中对应的字符是“いゅ”。这是日文的两个平假名。

在Windows XP平台有一个AppLocale程序，可以以指定的语言运行非Unicode程序。用Win32dsm打开看一看，其实它只是在运行程序前设置了两个环境变量。我们可以用个批处理文件模仿一下：

@ECHO OFF
SET __COMPAT_LAYER=#ApplicationLocale
SET ApplocaleID=0404
start notepad.exe

在简体中文平台，用这个批处理文件启动的记事本可以正确显示BIG5编码的文本文件。用它打开GBK编码的文本文件会怎么样？“中文”会被显示为“笢恅”。设置这两个环境变量会作用于当前进程和其子进程。Windows 2000平台不支持这个方法。

3 MBCS程序和Unicode程序

3.1 与字符编码有关的编译参数

让我们回到Win32 API。我们在程序中使用的Win32 API没有A/W后缀，Windows的头文件会根据编译参数UNICODE将没有后缀的函数名替换为A版本或W版本，例如：

#ifdef UNICODE
#define CreateFile CreateFileW
#else
#define CreateFile CreateFileA
#endif

C RunTime库（CRT）使用_UNICODE和_MBCS来区分三套字符串处理函数，分别用于SBCS、MBCS和Unicdoe字符串。SBCS和 MBCS分别指单字节字符串和多字节字符串。例如_tcsclen的3个版本分别为strlen、_mbslen和wcslen ，猜猜以下函数返回几？

strlen("VOIP网关");
_mbslen((unsigned char *)"VOIP网关");
wcslen(L"VOIP网关");

答案是8、6、6。L"ANSI字符串"通知编译器将ANSI字符串转换为Unicode字符串，这是VC++编译器提供的一个小甜点。不过我们应 该用宏：_T("ANSI字符串")。_T宏只在我们定义了_UNICODE时才转换。这样同一套代码既可以编译MBCS版本，也可以编译Unicode 版本。

MFC用_UNICODE参数区分Unicode版本特有的代码，决定使用什么版本的导入库或静态库。

3.2 Unicode程序、MBCS程序和多语言支持

Unicode程序直接使用Unicode版本的CRT和Win32 API。Unicode程序的运行与当前的ANSI代码页没有关系。MBCS程序的运行依赖于ANSI代码页。如果设计者和使用者使用不同的代码页，就可 能出现乱码。微软开发的程序大都是Unicode程序，不管我们怎样变换系统Locale，它们总能正常运行。

使用VCL类库的Delphi程序都是MBCS程序。VCL框架在程序启动会调用GetThreadLocale获取当前用户的LCID，然后在当 前目录查找对应的资源文件，命名规则是：程序名+'.'+语言缩写，语言缩写可以参见附录1。在找不到时才会使用EXE文件中的资源。不过如果系统 LCID是English(United States)，用户LCID是Chinese(PRC)，由VCL产生的程序就会出现乱码。读者可以自己分析原因。

为VCL程序做多语言版本。只要用Delphi自带的Resource DLL Wizard再做一个特定语言的资源DLL，原来的程序都不用改。不过很多程序员用其它组件做多语言版本，例如TsiLang 。

MBCS程序虽然也可以做成多语言版本，但它无法在同时显示不同代码页特有的字符，这时就必须使用Unicode程序了。

VS.NET文档中有个多语言资源的例子：SatDLL。它只用Win32 API的例子，却用了VC7项目。我在学习时将它改成了VC6项目，并纠正了它的两个问题：
1、用GetUserDefaultUILanguage读到的是Windows资源版本，不是当前用户设置的代码页。
2、启动时没有使用资源DLL里的菜单。

在我的个人主页(http://www.fmddlmyy.cn)上可以下载修改过的SatDLL 。 这个程序说明了支持多语言资源的基本思路：将不同语言资源放到不同的DLL中，在程序启动时根据当前Locale装载对应的资源DLL。必要时动态切换资 源。为了标记不同语言的资源，可以将它们放到不同的目录中，以LCID作为目录名，例如“2052”、“1033”。当然我们也可以用其它方法联系 LCID和资源DLL。

MFC程序可以在App类的InitInstance函数中用AfxSetResourceHandle函数设置资源DLL。在Delphi中动态切换资源可以参考Delphi Demo目录RichEdit项目的ReInit.pas。在读取当前设定时，建议用GetSystemDefaultLCID函数，因为系统Locale决定ANSI代码页。

3.4 资源和乱码

通过检查可执行文件，我们可以确定VC和Delphi的资源编译器都以Unicode保存字符资源。在VC环境编辑资源时，我们会指定资源的代码页。编译器根据资源的代码页，将其转换到Unicode。

Unicode程序直接使用以Unicode编码保存的资源。MBCS程序需要将Unicode资源先转换回当前ANSI代码页，然后再使用。如果资源中的Unicode字符串不能映射到当前代码页中的字符，就会出现??。

例如Windows的标准对话框也会出现乱码。假设我们使用简体中文Windows，当前Locale是Chinese (TW)，我们的程序是MBCS的，使用标准的打开文件对话框。因为在BIG5中没有“开”这个字，所以“打开”会被显示成“打?”。将程序编译成 Unicode版本，就可以避免这个问题。

如果字符不是保存在资源中，而是硬编码在程序中。然后开发者和用户使用不同的代码页，就会导致乱码。假设开发者的Locale是Chinese (PRC)，用户的Locale是English (US)，程序中硬编码了字符串“文件”。 Chinese (PRC)的ANSI代码页是GBK，“文件”的编码“CE C4 BC FE”。English (US)的ANSI代码页是Latin I，用户按照Latin I编码去解释“CE C4 BC FE”，就会看到“???t”。

回答我前面提过的一个问题：Delphi程序根据用户LCID转换资源中的字符串。如果用户LCID是Chinese (PRC)，系统LCID是English (US)。那么资源中的Unicode字符串会被转换为GBK编码，然后按照Latin I显示，这时我们看到的就是类似“???t”的东东，不是??。

既然资源是以Unicode保存的，MBCS程序如果不将其转换到ANSI代码页，而用W版本的函数直接显示，就不会产生乱码。例如MFC程序菜单里的中文，在English (US)的Locale也可以正常显示。不过这取决于各部分代码的具体实现，menu bar控件里的中文在English (US)的Locale会全部显示成??。

进一步的参考资料

本文的第0节和附录0主要参考了《Inside Windows 2000 Third Edition》，国内出过该书的影印版。DDK文档中有大量Windows内核的信息。用Win32dsm和各种调试器查看Windows系统文件可以获得更直接的信息。

关于Window程序的字符编码，最好的参考资料是winnt.h等SDK的包含文件、VCL、MFC、CRT的源文件。我们不需要阅读它们，只要找到自己感兴趣的信息就可以了，用Source Insight可能方便一些。

本文所谈的不是什么万古不迁的道理，只是别的程序员的一些设定，我们因为需要使用他们的程序，所以有必要了解一些细节。研究问题的方法和兴趣永远比问题本身重要，如一句拉丁俗语所说：res, non verba，实质胜于文字。

尾声

“明月虽有圆缺，但毕竟永恒不灭，人生却如过眼烟云，一去不回，真不知计较为何？”

“蛙声虽是短促，但却是万籁中一个活泼的禅机，也可以说万古如斯，永恒不迁，无奈感受到的，能有几人？”

这是一本武侠书中的对话。在时间的长河中，人生和蛙声一样易逝。说到蛙声，我的20个月的小宝宝在喝汤后，略加酝酿，就会紧闭着嘴巴，发出很像蛙鸣的声音。我们会逗他说：“小青蛙又来了”。小家伙益发得意，不管我的抗议，将连汤带油的小下巴亲热地贴在我的身上。

 

附录1 一些关于LCID的信息

使用EnumSystemLocales函数可以枚举系统支持的LCID。用GetLocaleInfo可以得到ANSI代码页的ID，再通过GetCPInfoEx可以获得代码页的全称。以下是我在中文Windows XP上读到的内容。

LCID

国家或地区

语言

语言缩写

ANSI代码页

1025

沙特阿拉伯

阿拉伯语(沙特阿拉伯)

ARA

1256  (ANSI - 阿拉伯文)

1026

保加利亚

保加利亚语

BGR

1251  (ANSI - 西里尔文)

1027

西班牙

加泰隆语

CAT

1252  (ANSI - 拉丁文 I)

1028

台湾

中文(台湾)

CHT

950   (ANSI/OEM - 繁体中文 Big5)

1029

捷克共和国

捷克语

CSY

1250  (ANSI - 中欧)

1030

丹麦

丹麦语

DAN

1252  (ANSI - 拉丁文 I)

1031

德国

德语(德国)

DEU

1252  (ANSI - 拉丁文 I)

1032

希腊

希腊语

ELL

1253  (ANSI - 希腊文)

1033

美国

英语(美国)

ENU

1252  (ANSI - 拉丁文 I)

1034

西班牙

西班牙语(传统)

ESP

1252  (ANSI - 拉丁文 I)

1035

芬兰

芬兰语

FIN

1252  (ANSI - 拉丁文 I)

1036

法国

法语(法国)

FRA

1252  (ANSI - 拉丁文 I)

1037

以色列

希伯来语

HEB

1255  (ANSI - 希伯来文)

1038

匈牙利

匈牙利语

HUN

1250  (ANSI - 中欧)

1039

冰岛

冰岛语

ISL

1252  (ANSI - 拉丁文 I)

1040

意大利

意大利语(意大利)

ITA

1252  (ANSI - 拉丁文 I)

1041

日本

日语

JPN

932   (ANSI/OEM - 日文 Shift-JIS)

1042

朝鲜

朝鲜语

KOR

949   (ANSI/OEM - 韩文)

1043

荷兰

荷兰语(荷兰)

NLD

1252  (ANSI - 拉丁文 I)

1044

挪威

挪威语(伯克梅尔)

NOR

1252  (ANSI - 拉丁文 I)

1045

波兰

波兰语

PLK

1250  (ANSI - 中欧)

1046

巴西

葡萄牙语(巴西)

PTB

1252  (ANSI - 拉丁文 I)

1048

罗马尼亚

罗马尼亚语

ROM

1250  (ANSI - 中欧)

1049

俄罗斯

俄语

RUS

1251  (ANSI - 西里尔文)

1050

克罗地亚

克罗地亚语

HRV

1250  (ANSI - 中欧)

1051

斯洛伐克语

斯洛伐克语

SKY

1250  (ANSI - 中欧)

1052

阿尔巴尼亚

阿尔巴尼亚语

SQI

1250  (ANSI - 中欧)

1053

瑞典

瑞典语

SVE

1252  (ANSI - 拉丁文 I)

1054

泰国

泰语

THA

874   (ANSI/OEM - 泰文)

1055

土耳其

土耳其语

TRK

1254  (ANSI - 土耳其文)

1056

巴基斯坦伊斯兰共和国

乌都语

URD

1256  (ANSI - 阿拉伯文)

1057

印度尼西亚

印度尼西亚语

IND

1252  (ANSI - 拉丁文 I)

1058

乌克兰

乌克兰语

UKR

1251  (ANSI - 西里尔文)

1059

比利时

比利时语

BEL

1251  (ANSI - 西里尔文)

1060

斯洛文尼亚

斯洛文尼亚语

SLV

1250  (ANSI - 中欧)

1061

爱沙尼亚

爱沙尼亚语

ETI

1257  (ANSI - 波罗的海文)

1062

拉脱维亚

拉脱维亚语

LVI

1257  (ANSI - 波罗的海文)

1063

立陶宛

立陶宛语

LTH

1257  (ANSI - 波罗的海文)

1065

伊朗

法斯语

FAR

1256  (ANSI - 阿拉伯文)

1066

越南

越南语

VIT

1258  (ANSI/OEM - 越南)

1068

阿塞拜疆

阿塞拜疆语(拉丁文)

AZE

1254  (ANSI - 土耳其文)

1069

西班牙

巴士克语

EUQ

1252  (ANSI - 拉丁文 I)

1071

前南斯拉夫马其顿共和国

马其顿语(FYROM)

MKI

1251  (ANSI - 西里尔文)

1078

南非

南非语

AFK

1252  (ANSI - 拉丁文 I)

1080

法罗群岛

法罗语

FOS

1252  (ANSI - 拉丁文 I)

1086

马来西亚

马来语(马来西亚)

MSL

1252  (ANSI - 拉丁文 I)

1087

吉尔吉斯坦

哈萨克语

KKZ

1251  (ANSI - 西里尔文)

1088

吉尔吉斯斯坦

吉尔吉斯语 (西里尔文)

KYR

1251  (ANSI - 西里尔文)

1089

肯尼亚

斯瓦希里语

SWK

1252  (ANSI - 拉丁文 I)

1091

乌兹别克斯坦

乌兹别克语(拉丁文)

UZB

1254  (ANSI - 土耳其文)

1092

鞑靼斯坦

鞑靼语

TTT

1251  (ANSI - 西里尔文)

1104

蒙古

蒙古语(西里尔文)

MON

1251  (ANSI - 西里尔文)

1110

西班牙

加里西亚语

GLC

1252  (ANSI - 拉丁文 I)

2049

伊拉克

阿拉伯语(伊拉克)

ARI

1256  (ANSI - 阿拉伯文)

2052

中华人民共和国

中文(中国)

CHS

936   (ANSI/OEM - 简体中文 GBK)

2055

瑞士

德语(瑞士)

DES

1252  (ANSI - 拉丁文 I)

2057

英国

英语(英国)

ENG

1252  (ANSI - 拉丁文 I)

2058

墨西哥

西班牙语(墨西哥)

ESM

1252  (ANSI - 拉丁文 I)

2060

比利时

法语(比利时)

FRB

1252  (ANSI - 拉丁文 I)

2064

瑞士

意大利语(瑞士)

ITS

1252  (ANSI - 拉丁文 I)

2067

比利时

荷兰语(比利时)

NLB

1252  (ANSI - 拉丁文 I)

2068

挪威

挪威语(尼诺斯克)

NON

1252  (ANSI - 拉丁文 I)

2070

葡萄牙

葡萄牙语(葡萄牙)

PTG

1252  (ANSI - 拉丁文 I)

2074

塞尔维亚

塞尔维亚语(拉丁文)

SRL

1250  (ANSI - 中欧)

2077

芬兰

瑞典语(芬兰)

SVF

1252  (ANSI - 拉丁文 I)

2092

阿塞拜疆

阿塞拜疆语(西里尔文)

AZE

1251  (ANSI - 西里尔文)

2110

文莱达鲁萨兰

马来语(文莱达鲁萨兰)

MSB

1252  (ANSI - 拉丁文 I)

2115

乌兹别克斯坦

乌兹别克语(西里尔文)

UZB

1251  (ANSI - 西里尔文)

3073

埃及

阿拉伯语(埃及)

ARE

1256  (ANSI - 阿拉伯文)

3076

香港特别行政区

中文(香港特别行政区)

ZHH

950   (ANSI/OEM - 繁体中文 Big5)

3079

奥地利

德语(奥地利)

DEA

1252  (ANSI - 拉丁文 I)

3081

澳大利亚

英语(澳大利亚)

ENA

1252  (ANSI - 拉丁文 I)

3082

西班牙

西班牙语(国际)

ESN

1252  (ANSI - 拉丁文 I)

3084

加拿大

法语(加拿大)

FRC

1252  (ANSI - 拉丁文 I)

3098

塞尔维亚

塞尔维亚语(西里尔文)

SRB

1251  (ANSI - 西里尔文)

4097

利比亚

阿拉伯语(利比亚)

ARL

1256  (ANSI - 阿拉伯文)

4100

新加坡

中文(新加坡)

ZHI

936   (ANSI/OEM - 简体中文 GBK)

4103

卢森堡

德语(卢森堡)

DEL

1252  (ANSI - 拉丁文 I)

4105

加拿大

英语(加拿大)

ENC

1252  (ANSI - 拉丁文 I)

4106

危地马拉

西班牙语(危地马拉)

ESG

1252  (ANSI - 拉丁文 I)

4108

瑞士

法语(瑞士)

FRS

1252  (ANSI - 拉丁文 I)

5121

阿尔及利亚

阿拉伯语(阿尔及利亚)

ARG

1256  (ANSI - 阿拉伯文)

5124

澳门特别行政区

中文(澳门特别行政区)

ZHM

950   (ANSI/OEM - 繁体中文 Big5)

5127

列支敦士登

德语(列支敦士登)

DEC

1252  (ANSI - 拉丁文 I)

5129

新西兰

英语(新西兰)

ENZ

1252  (ANSI - 拉丁文 I)

5130

哥斯达黎加

西班牙语(哥斯达黎加)

ESC

1252  (ANSI - 拉丁文 I)

5132

卢森堡

法语(卢森堡)

FRL

1252  (ANSI - 拉丁文 I)

6145

摩洛哥

阿拉伯语(摩洛哥)

ARM

1256  (ANSI - 阿拉伯文)

6153

爱尔兰

英语(爱尔兰)

ENI

1252  (ANSI - 拉丁文 I)

6154

巴拿马

西班牙语(巴拿马)

ESA

1252  (ANSI - 拉丁文 I)

6156

摩纳哥公国

法语(摩纳哥)

FRM

1252  (ANSI - 拉丁文 I)

7169

突尼斯

阿拉伯语(突尼斯)

ART

1256  (ANSI - 阿拉伯文)

7177

南非

英语(南非)

ENS

1252  (ANSI - 拉丁文 I)

7178

多米尼加共和国

西班牙语(多米尼加共和国)

ESD

1252  (ANSI - 拉丁文 I)

8193

阿曼

阿拉伯语(阿曼)

ARO

1256  (ANSI - 阿拉伯文)

8201

牙买加

英语(牙买加)

ENJ

1252  (ANSI - 拉丁文 I)

8202

委内瑞拉

西班牙语(委内瑞拉)

ESV

1252  (ANSI - 拉丁文 I)

9217

也门

阿拉伯语(也门)

ARY

1256  (ANSI - 阿拉伯文)

9225

加勒比海

英语(加勒比海)

ENB

1252  (ANSI - 拉丁文 I)

9226

哥伦比亚

西班牙语(哥伦比亚)

ESO

1252  (ANSI - 拉丁文 I)

10241

叙利亚

阿拉伯语(叙利亚)

ARS

1256  (ANSI - 阿拉伯文)

10249

伯利兹

英语(伯利兹)

ENL

1252  (ANSI - 拉丁文 I)

10250

秘鲁

西班牙语(秘鲁)

ESR

1252  (ANSI - 拉丁文 I)

11265

约旦

阿拉伯语(约旦)

ARJ

1256  (ANSI - 阿拉伯文)

11273

特立尼达和多巴哥

英语(特立尼达)

ENT

1252  (ANSI - 拉丁文 I)

11274

阿根廷

西班牙语(阿根廷)

ESS

1252  (ANSI - 拉丁文 I)

12289

黎巴嫩

阿拉伯语(黎巴嫩)

ARB

1256  (ANSI - 阿拉伯文)

12297

津巴布韦

英语(津巴布韦)

ENW

1252  (ANSI - 拉丁文 I)

12298

厄瓜多尔

西班牙语(厄瓜多尔)

ESF

1252  (ANSI - 拉丁文 I)

13313

科威特

阿拉伯语(科威特)

ARK

1256  (ANSI - 阿拉伯文)

13321

菲律宾共和国

英语(菲律宾)

ENP

1252  (ANSI - 拉丁文 I)

13322

智利

西班牙语(智利)

ESL

1252  (ANSI - 拉丁文 I)

14337

阿联酋

阿拉伯语(阿联酋)

ARU

1256  (ANSI - 阿拉伯文)

14346

乌拉圭

西班牙语(乌拉圭)

ESY

1252  (ANSI - 拉丁文 I)

15361

巴林

阿拉伯语(巴林)

ARH

1256  (ANSI - 阿拉伯文)

15370

巴拉圭

西班牙语(巴拉圭)

ESZ

1252  (ANSI - 拉丁文 I)

16385

卡塔尔

阿拉伯语(卡塔尔)

ARQ

1256  (ANSI - 阿拉伯文)

16394

玻利维亚

西班牙语(玻利维亚)

ESB

1252  (ANSI - 拉丁文 I)

17418

萨尔瓦多

西班牙语(萨尔瓦多)

ESE

1252  (ANSI - 拉丁文 I)

18442

洪都拉斯

西班牙语(洪都拉斯)

ESH

1252  (ANSI - 拉丁文 I)

19466

尼加拉瓜

西班牙语(尼加拉瓜)

ESI

1252  (ANSI - 拉丁文 I)

20490

波多黎各(美)

西班牙语(波多黎各(美))

ESU

1252  (ANSI - 拉丁文 I)

LCID取决于语言，在表中列出国家名只是为了增加趣味性。例如可以看到以色列还在使用古老的希伯来语。“希伯来语”的法文是hébreu，这个单词还有一个意思，就是“不能理解的东西”。

转自: http://blog.csdn.net/shyboy_nwpu/article/details/4431656