用C++读写unicode文本

发布时间:2014-10-25 2:20:13
来源:分享查询网

用C++读写unicode文本 <致敬原作者>http://librawill.blogspot.com/2008/08/cunicode_2881.html 熟悉一下字符类型,char, wchar_t, TCHAR,最熟悉的char是单字节字符,适用于ANSI编码;wchar_t 是双字节的宽字符类型,适用于unicode编码;TCHAR是一个宏,在ANSI坏境下定义为char,unicode 坏境下定义为wchar_t。 怎么来表示字符串?对,字符数组,要知道在C++语言里面,其实没有数组的数据结构,所谓数组,都 是由指针+长度来表示。字符型指针const char *, const wchar_t *, const TCHAR *可以用来在不同的环 境下表示字符串。再说相关的几个宏,LPSTR: long point string, 相当于char *; LPCSTR: long point const string, 相当于 const char *; LPCWSTR: long point const wide string, 相当于 const wchar_t *; LPCTSTR: 类似的,相当于 const TCHAR *; 这些都不要死记硬背,记着大写字母的意思即可猜出其含义 。 一个字符串,比如说"北京2008",对应ANSI编码表示为 const char * cha = "北京2008"; unicode编码 表示为 const wchar_t * wcha = L"北京2008"; 。在内存里以二进制存储,ANSI编码对应为 0x B1B1 BEA9 32 30 30 38,unicode编码为 0x 1753 AC4E 3200 3000 3000 3800。 回到上面,为什么字符型指针可以表示一个字符串?计算机找到这个指针,只能知道串首字符,这里因 为字符串有个默认的结束符'/0'(ANSI或者ASCII表示为0x00),从首字符开始,计算机开始向后查找直 到0x00,认为字符串结束,所以存储字符串的时候,计算机是带着一个特殊结束符的。可是要注意了, 这个结束符0x00是ASCII码定义的结束符啊,那么在宽字符unicode环境下呢?结束符是什么?是 0x0000。 而对于非const字符串,怎么表示?char * 方法怎么动态定义长度?好办,可以用new手动分配内存空间 ,除此之外,还有更好办的方法,那就是字符串类型string, 怎么可变长度,怎么记录长度,内存怎么存 储,这些都不用管,都有C++标准库自动管理。 不同类型的字符串间之间怎么转换?比如定义 char * cha; string str; str = cha; // 可以实现 char * 到 string 的转换, cha = str.c_str(); 可以从 string 转换到 char *;对于wchar_t wcha; wstring wstr; 呢 ?wstr = wcha; wcha = wstr.c_str(); // 这个是否可以呢?! 说过了字符串的表示和类型转换,再来看字符流I/O,C++里面的fstream, ifstream, ofstream, 文件流 的I/O有好多种方式,默认为字符流方式,明确的说是ANSI字符流,都是针对ANSI文本的,那么 unicode怎么读写呢? C++里倒真有wfsteam流的,可惜用起来也很奇怪,用wifstream读取unicode文本,结果竟然是读取一 个字节,加上一个0x00,在读取下一个字节,如此!比如文本里保存的还是“北京2008”,刚才说过 unicode编码为 0x 1753 AC4E 3200 3000 3000 3800;用wifstream读到内存的字符竟是 0x 1700 5300 AC00 4E00 ... 这叫什么unicode?我不知道wfstream怎么正确使用用,有知道的朋友还请不吝告 知! 既然wftream不行,那么怎么读取unicode呢,这里可以借鉴一下二进制流的读写方式,二进制流在读写 时必须明白存储单位的数据结构,定义为结构体,然后逐n字节(n为结构长度)按二进制读取;这个可 以借鉴过来,不用定义结构了,直接用wchar_t,代码如下:ifstream fin;fin.open(filename, ios::binary);// 跳过unicode文本开头有两个字节0xFFFE(称作BOM,用于标识unicode编码)fin.seek(2, ios::beg);while (!fin.eof()){wchar_t wch;fin.read((char *)(&wch), 2);} 如果要按行读取,怎么办?好了,有ifstream的成员函数getline(cha, size),还有string类成员函数 getline(fin, str)。你试试能不能用在unicode下使用?答案是否定的!为什么?因为getline函数默认在 ANSI下使用,它对换行符的判断是基于ASCII码的换行(0x0D)和行开头标记(0x0A),如果把它用在 unicode编码下,比如“不”字,unicode编码为0x0D4E。当getline函数执行到这,以为换行了,所以 说会失效!那么unicode换行符以及行开头符的二进制是什么?双字节了,是0x0D00和0x0A00,这时候 getline函数就失效了,怎么办,手动判断:ifstream fin;fin.open(filename, ios::binary);size_t index = 2;while (!fin.eof()){fin.seekg(index, ios::beg);wchar_t wch;fin.read((char *)(&wch), 2);if (wch == 0x000D) // 判断回车{strLineAnsi = ws2s(wstrLine);wstrLine.erase(0, wstrLine.size() + 1);iLine++;index += 4; // 跳过回车符和行开头符}else{wstrLine.append(1, wch);index += 2;}} 上面的程序可以读取unicode了,那么读了进来怎么理解unicode呢,这就需要char * 和 wchar_t *间的 转换了,这个没有简便的方法,ANSI、UNICODE两种编码之间的转换,只能靠查表实现,C++提供了 两个函数,wcstombs(_Dest, _Source, _Dsize) 从unicode编码转化为ANSI编码 ,mbstowcs(_Dest, _Source, _Dsize)反之,参数对应为const char*, const wchar_t*以及长度。这里在提供一个网上的函数 ,用于实现string和wstring的转换:std::string ws2s(const std::wstring& ws){std::string curLocale = setlocale(LC_ALL, NULL); // curLocale = "C";setlocale(LC_ALL, "chs");const wchar_t* _Source = ws.c_str();size_t _Dsize = 2 * ws.size() + 1;char *_Dest = new char[_Dsize];memset(_Dest,0,_Dsize);wcstombs(_Dest,_Source,_Dsize);std::string result = _Dest;delete []_Dest;setlocale(LC_ALL, curLocale.c_str());return result;} std::wstring s2ws(const std::string& s){setlocale(LC_ALL, "chs");const char* _Source = s.c_str();size_t _Dsize = s.size() + 1;wchar_t *_Dest = new wchar_t[_Dsize];wmemset(_Dest, 0, _Dsize);mbstowcs(_Dest,_Source,_Dsize);std::wstring result = _Dest;delete []_Dest;setlocale(LC_ALL, "C");return result;} 写到这里,就可以用C++读取unicode文本了,写的方法类似。

返回顶部
查看电脑版