详细介绍各种字符集编码转换问题

本文背景：
本人在编程时需要匹配字符串，由此想到了如果文件是各种字符编码的话，匹配结果有可能不正确，那么，如何判断不同的字符集？如何在不同字符集之间做转换？对于UNICODE编码逐渐通用的情况下，我们软件人员如何从容应对？ 本文首先对常用字符集进行总结，然后在字符集的显示及转换上以实例介绍，最后总结了编程中遇到的编码问题。
本文目的：
对字符集编码做详细介绍，关键配以实例讲解，降低问题的复杂度。
本文内容：
1.    常用字符集分类
1.1 简介
·        ASCII及其扩展字符集
作用：表语英语及西欧语言。
位数：ASCII是用7位表示的，能表示128个字符；其扩展使用8位表示，表示256个字符。
范围：ASCII从00到7F，扩展从00到FF。
·        ISO-8859-1字符集
作用：扩展ASCII，表示西欧、希腊语等。
位数：8位，
范围：从00到FF，兼容ASCII字符集。
·        GB2312字符集
作用：国家简体中文字符集，兼容ASCII。
位数：使用2个字节表示，能表示7445个符号，包括6763个汉字，几乎覆盖所有高频率汉字。
范围：高字节从A1到F7, 低字节从A1到FE。将高字节和低字节分别加上0XA0即可得到编码。
·        BIG5字符集
作用：统一繁体字编码。
位数：使用2个字节表示，表示13053个汉字。
范围：高字节从A1到F9，低字节从40到7E，A1到FE。
·        GBK字符集
作用：它是GB2312的扩展，加入对繁体字的支持，兼容GB2312。
位数：使用2个字节表示，可表示21886个字符。
范围：高字节从81到FE，低字节从40到FE。
·        GB18030字符集
作用：它解决了中文、日文、朝鲜语等的编码，兼容GBK。
位数：它采用变字节表示(1 ASCII，2，4字节)。可表示27484个文字。
范围：1字节从00到7F; 2字节高字节从81到FE，低字节从40到7E和80到FE；4字节第一三字节从81到FE，第二四字节从30到39。
·        UCS字符集
作用：国际标准 ISO 10646 定义了通用字符集 (Universal Character Set)。它是与UNICODE同类的组织，UCS-2和UNICODE兼容。
位数：它有UCS-2和UCS-4两种格式，分别是2字节和4字节。
范围：目前，UCS-4只是在UCS-2前面加了0x0000。
·        UNICODE字符集
作用：为世界650种语言进行统一编码，兼容ISO-8859-1。
位数：UNICODE字符集有多个编码方式，分别是UTF-8，UTF-16和UTF-32。
UTF-8：采用变长字节 (1 ASCII, 2 希腊字母, 3 汉字, 4 平面符号) 表示，网络传输, 即使错了一个字节，不影响其他字节，而双字节只要一个错了，其他也错了，具体如下：
如果只有一个字节则其最高二进制位为0；如果是多字节，其第一个字节从最高位开始，连续的二进制位值为1的个数决定了其编码的字节数，其余各字节均以10开头。UTF-8最多可用到6个字节。
UTF-16：采用2字节，Unicode中不同部分的字符都同样基于现有的标准。这是为了便于转换。从 0x0000到0x007F是ASCII字符，从0x0080到0x00FF是ISO-8859-1对ASCII的扩展。希腊字母表使用从0x0370到0x03FF 的代码，斯拉夫语使用从0x0400到0x04FF的代码，美国使用从0x0530到0x058F的代码，希伯来语使用从0x0590到0x05FF的代 码。中国、日本和韩国的象形文字（总称为CJK）占用了从0x3000到0x9FFF的代码；
由于0x00在c语言及操作系统文件名等中有特殊意义，故很多情况下需要UTF-8编码保存文本，去掉这个0x00。举例如下：
UTF-16: 0x0080 = 0000 0000 1000 0000
UTF-8:   0xC280 = 1100 0010 1000 0000
UTF-32：采用4字节。
优缺点：
·        UTF-8、UTF-16和UTF-32都可以表示有效编码空间 (U+000000-U+10FFFF) 内的所有Unicode字符。
·        使用UTF-8编码时ASCII字符只占1个字节，存储效率比较高，适用于拉丁字符较多的场合以节省空间。
·        对于大多数非拉丁字符（如中文和日文）来说，UTF-16所需存储空间最小，每个字符只占2个字节。
·        Windows NT内核是Unicode（UTF-16），采用UTF-16编码在调用系统API时无需转换，处理速度也比较快。
·        采用UTF-16和UTF-32会有Big Endian和Little Endian之分，而UTF-8则没有字节顺序问题，所以UTF-8适合传输和通信。
·        UTF-32采用4字节编码，一方面处理速度比较快，但另一方面也浪费了大量空间，影响传输速度，因而很少使用。
1.2 按所表示的文字分类
   语言 字符集 正式名称
英语、西欧语 ASCII，ISO-8859-1 MBCS 多字节
简体中文 GB2312 MBCS 多字节
繁体中文 BIG5 MBCS 多字节
简繁中文 GBK MBCS 多字节
中文、日文及朝鲜语 GB18030 MBCS 多字节
各国语言 UNICODE，UCS DBCS 宽字节

2. 如何判断字符集
2.1 字节序
首先说一下字节序对编码的影响，字节序分为Big Endian字节序和Little Endian字节序。不同的处理器可能不一样。所以，传输时需要告诉处理器当时的编码字节序。对于前者而言，高位字节存在低地址，低字节存于高地址；后者相反。例如，0X03AB,
Big Endian字节序是
0000: 0 3
0001: AB
Little Endian字节序是
0000: AB
0001: 0 3
2.2 编码识别
·        UNICODE
根据前几个字节可以判断UNICODE字符集的各种编码，叫做Byte Order Mask方法BOM：
UTF-8: EFBBBF (符合UTF-8格式，请看上面。但没有含义在UCS即UNICODE中)
UTF-16 Big Endian：FEFF (没有含义在UCS-2中)
UTF-16 Little Endian：FFFE (没有含义在UCS-2中)
UTF-32 Big Endian：0000FEFF (没有含义在UCS-4中)
UTF-32 Little Endian：FFFE0000 (没有含义在UCS-4中)
·        GB2312
      高字节和低字节的第1位都是1。
·        BIG5，GBK&GB18030
高字节的第1位为1。操作系统有默认的编码，常为GBK，可以下载别的并升级。通过判断高字节的第1位从而知道是ASCII或者汉字编码。
3.      编程：各字符集编码的读取
注意，下面的例子都会用到这个文件，读取这个文件。在Encodeing 选项中可以选择ASCII编码、UTF-8、UNICODE Big Endian、UNICODE Little Endian。其中，ASCII编码包括：ASCII、ISO-8859-1、GB2312、BIG5、GBK等在ASCII基础上扩展的编码。当选用ASCII编码保存时，系统会调用默认的一种ASCII编码方式，一般的中文系统使用GB2312或GBK。可以通过更改控制面板中的语言选项更改。

3.1 读取ASCII编码
选择ASCII编码保存文件，文件内容是：您好, Ye Ming!
C++程序读取并显示如下：
FILE *myfile=fopen("CharsetExample.txt","rb");
            char a[100];
            fgets(a,100,myfile);
            printf("字节数=%d\n",strlen(a));
            printf("16进制值=");
            for(int i=0;i<strlen(a);i++)
                        printf("%hhx\t",a[i]);
            printf("\n字符串输出=%s\n",a);
结果输出：
字节数=13
16进制值=c4 fa ba c3 2c 59 65 20 4d 69 6e 67 21
字符串输出=您好，Ye Ming！
您=c4fa, 好=bac3，其它只占一个字节。printf函数发现字节的第1位是1时，会继续联合下一个字节按照默认的ASCII编码如GB2312显示汉字。
为了测试一下系统能否显示繁体中文字，将文本更改为：案與產品
保存为ASCII编码，然后运行程序。结果可以显示出来，说明系统用GBK或BIG5解码了。在控制面板把BIG5去掉，还能正常显示，说明系统默认的是GBK解码。
注解1：文本是按字节读，二进制是按逻辑单位读；这个例子用二进制读和用文本读的结果是一样的，因为逻辑单位char是1个字节的。
3.2 读取UTF-8编码
选择UTF-8编码保存文件，文件内容是：您好, Ye Ming!
C++程序读取并显示如下：
            FILE *myfile=fopen("CharsetExample.txt","rb");
            char a[100];
            fgets(a,100,myfile);
            printf("字节数=%d\n",strlen(a));
            printf("16进制值=");
            for(int i=0;i<strlen(a);i++)
                        printf("%hhx\t",a[i]);
            printf("\n字符串输出=%s\n",&a[3]);
结果输出：
字节数=18
16进制值=ef bb bf e6 82 a8 e5 a5 bd 2c 59 65 20 4d 69 6e 67 21
字符串输出=乱码，Beijing！
其中，ef bb bf 是UTF-8的头标识；您=e6 82 a8，好=e5 a5 bd。
其他是单字节的ASCII码。
输出字符串时要去掉前三个字节。但是，还是出现了乱码!
之所以出现乱码，是因为系统按默认的GB2312去解UTF-8的码，所以在库里找不到或找不对对应的汉字，所以出现3个乱码，因为按两两组合所以有3个乱码。
3.3 读取UTF-16 Big Endian
选择UTF-8编码保存文件，文件内容是：您好, Ye Ming!
C++程序读取并显示如下：
FILE *myfile=fopen("CharsetExample.txt","rb");
            char a[100];
            fgets(a,100,myfile);
            printf("字节数=%d\n",strlen(a));
            printf("16进制值=");
            for(int i=0;i<strlen(a);i++)
                        printf("%hhx\t",a[i]);
            printf("\n字符串输出=%s\n",&a[2]);
结果输出：
字节数=6
16进制值=fe ff 60 a8 59 7d
字符串输出=三个符号
其中，fe ff 是UTF-16 Big Endian的头标识；60是可以输出的，a859输出乱码，7d是可以输出的。输出字符串时要去掉前两个字节。
理论上字节数应该是2+11*2=24。可是，输出为什么只有6呢？在UTF-16中，每个字符都用两个字节表示，而ASCII符号只用一个字节，高位用0表示，所以，当遇到0后，strlen认为串结束了。这就是UTF-16的缺点，前面提到过。
将程序的一句更改后：
for(int i=0;i<24;i++)
16进制值= fe ff 60 a8 59 7d 0 2c 0 59……
同样，字符串仍然无法显示。
3.4 读取UTF-16 Little Endian
文本文件用UTF-16 Little Endian编码时，其输出结果是：
16进制值= ff fe a8 60 7d 59 2c 0 59 0 ……
4.      编程：各字符集编码的显示
4.1 直接显示
由于中文系统默认的编码是中文编码，一般是GBK。所以，ASCII编码的显示没有问题。但是，遇到UNICODE编码就会有问题了，如上面的例子，显示会出现乱码。
接下来本文介绍一种读取UNICODE文件并正确显示中文的方法。
4.1.1 文件编码为UNICODE Big Endian
本件保存为UNICODE Big Endian，文本=您好, Ye Ming!
·        错误：按文本方式读
读文本程序如下：
FILE *myfile;
            wchar_t *name=L"CharsetExample.txt";
            myfile=_wfopen(name,L"rt");
            fseek(myfile,0,0);
            wchar_t buffw[100];
            fgetws(buffw,100,myfile);
            printf("字节数=%d\n",wcslen(buffw));
            printf("16进制值=");
            for(int i=0;i<wcslen(buffw);i++)
            printf("%hhx\t",buffw[i]);
//设置本地化信息，.936是简体中文的Code Page。wcout需要依靠它决定将宽字符按什么编码显示
            setlocale(LC_ALL, ".936");
            printf("\n字符串输出=");
   wcout<<buffw+1<<endl;        
结果如下：
字节数=6
16进制值=fe ff 60 a8 59 7d
字符串输出=’”Y}
文本是按UNICODE编码的，每个字符是两字节，ASCII字符高位用0代替。按文本方式打开文件读时，是按字节的读写，一个字节就存进了两个字节大小的结构wchar_t中。遇到0时，它认为文件已经结束，停止操作。
·        正确：按二进制方式读
读文本程序如下：
   将myfile=_wfopen(name,L"rt")改为myfile=_wfopen(name,L"rb");
结果如下：
字节数=12
16进制值=fffe a860 7d59 2c00 5900….
字符串输出=乱码
这一次二进制结果是对的，但是，为什么还是乱码呢？问题出在wcout函数上，x86是按照Little Endian字节序处理数据的，它将2c00处理了而不是002c。我们看一下如果文本保存为UNICODE Little Endian, 会怎么样?
4.1.2 文件编码为UNICODE Little Endian
本件保存为UNICODE Little Endian，文本=您好, Ye Ming!
·        错误：按文本方式读
基本同上，故略。
·        正确：按二进制方式读
   将myfile=_wfopen(name,L"rt")改为myfile=_wfopen(name,L"rb");
结果如下：
字节数=12
16进制值=feff 60a8 597d 2c 59….
字符串输出=您好, Ye Ming!
输出正确，^_^。
4.1.3 文件编码为UTF-8
对于UTF-8而言，UTF-8的编码其实不属于宽字符，它还是MBCS。wcout函数只能显示宽字符，不能够正确显示它的编码，所以输出为乱码或空。
4.2 编码转换后显示
4.2.1 文件编码为UNICODE Big Endian
由于字节序的问题，需要转换成Little Endian 才能正确显示，因为x86系列用的是Little Endian。转换后，请用下面小节的方法显示。
4.2.2 文件编码为UNICODE Little Endian
读文件程序如下：
            FILE *myfile;
            wchar_t *name=L"CharsetExample.txt";
            myfile=_wfopen(name,L"rb");
            fseek(myfile,0,0);
            wchar_t buffw[100];
            fgetws(buffw,100,myfile);
            printf("字节数=%d\n",wcslen(buffw));
            printf("16进制值=");
            for(int i=0;i<wcslen(buffw);i++)
                        printf("%hhx\t",buffw[i]);
//宽字符转换成多字节，第一个参数是Code Page，windows定义了若干Code Page，用来处理不同语言编码的。CP_ACP是ASCII编码，这里主要是求出转换后的字节数。Buffw+1主要是去掉头标记feff。
UNICODEàASCII编码
int len = WideCharToMultiByte( CP_ACP, 0, buffw+1, wcslen(buffw+1), NULL, NULL, NULL, NULL );
            LPSTR lpsz = new CHAR[len+1];
            //下面才是真正的转换。
WideCharToMultiByte( CP_ACP, 0, buffw+1, wcslen(buffw+1), lpsz, len, NULL,NULL );
            printf("%d",len);
            lpsz[len]='\0';
      printf("\n%s\n",lpsz);
      结果如下：
      字节数=12
   16进制值=feff 60a8 597d 2c 59….
字符串输出=您好, Ye Ming!
      转换完后，系统函数printf会按照系统默认编码显示出来。
4.2.3 文件编码为UTF-8
文件保存为UTF-8，有两种情况：
·        错误：按宽字符存取
程序如下：
FILE *myfile;
            wchar_t *name=L"CharsetExample.txt";
            myfile=_wfopen(name,L"rb");
            fseek(myfile,3,0);
            wchar_t buffw[100];
            fgetws(buffw,100,myfile);
            printf("字节数=%d\n",wcslen(buffw));
            printf("16进制值=");
            for(int i=0;i<wcslen(buffw);i++)
                        printf("%hhx\t",buffw[i]);
          
…………….
结果如下：
字节数=7
      16进制值=82e6 e5a8 bda5 592c 2065 694d 676e
   
可以看出，16进制值缺了21，这就是感叹号的ASCII值。当以fgetws读取文件时，21落单了，所以不能读进wchar_t。
·        正确：按字节存取
程序如下：
FILE *myfile;
            wchar_t *name=L"CharsetExample.txt";
            myfile=_wfopen(name,L"rb");
            fseek(myfile,3,0);
            char buff[100];
            //取得所有UTF-8字节
            fgets(buff,100,myfile);
            printf("字节数=%d\n",strlen(buff));
            printf("16进制值=");
            for(int i=0;i<strlen(buff);i++)
                        printf("%hhx\t",buff[i]);
第一步，UTF-8àUNICODE
由于从UTF-8不能直接转换为ASCII编码，必须以UNICODE为跳板；这里用到参数CP_UTF8，因为我们是将UTF-8转换为UNICODE，注意：WideChar在本函数中指的肯定是UNICODE。
            int num=MultiByteToWideChar(CP_UTF8,NULL,buff,-1,NULL,NULL);
            wchar_t *buffw2=new wchar_t[num];
            MultiByteToWideChar(CP_UTF8,NULL,buff,-1,buffw2,num);
第二步，UNICODEàASCII编码
            这个函数跟之前用过了。
int len = WideCharToMultiByte( CP_ACP, 0, buffw2, num, NULL, NULL, NULL, NULL );
            LPSTR lpsz = new CHAR[len+1];
            WideCharToMultiByte( CP_ACP, 0, buffw2, num, lpsz, len, NULL, NULL );
            lpsz[len]='\0';
            printf("\n字符串输出=");
      printf("%s\n",lpsz);
结果如下：
字节数=15
       16进制值=e6 82 a8 e5 a5 bd 2c 59 65 20 4d 69 6e 67 21
     字符串输出=您好, Ye Ming!
结果正确，*_*。
4.3 转换编码的另外一种方法
·        mbstowcs
           char *ccname="我们";
            wchar_t * wwname=new wchar_t[2];
            //依赖于Locale而不是Code Page
            setlocale(LC_CTYPE,"chs");
            mbstowcs(wwname,ccname,2);
            wcout<<wwname<<endl;
·       wcstombs
wchar_t *wname=L"叶明";
            char * cname=new char[4];
            setlocale(LC_TIME,"chs");
            wcout<<wname<<endl;
            wcstombs(cname,wname,4);
            printf("%s\n",cname);
5.     思考字符集编码对软件的影响
请参考本人另外一篇文章：UNICODE 编码对软件编程的影响。
6.   常用参数
   ·        ASCII码参照表

Code Page 参数
   下面是部分的Code Page:
       CP0 ASCII
        CP932 Shift-JIS
       CP936 GBK
       CP950 Big5
       CP20936 GB2312
     CP65001 UTF-8
      CP65000 UTF-7
Locale 参数
   由于国家和本地习惯的不同，在处理文字、日期、数字、货币格式等问题都会有所不同，Locale就是用来解决这个问题。
C语言的Locale定义，分为以下几类：
     LC_ALL：代表所有的locale
     LC_CTYPE：用来处理文字编码
     LC_MESSAGES：信息的显示，你可能会在这样一个目录看到大量的mo文件
     LC_TIME：时间格式
     LC_NUMERIC：数字格式
     LC_MONETARY：货币格式
     LC_COLLATE：字母顺序和特殊字符的比较
   其中比较重要的是：
字符编码LC_CTYPE和本地化的信息显示LC_MESSAGES 。
设置Locale举例如下：
    setLocale(LC_ALL, "chs")
值可取下面值：
    zh_CN.utf8
    chs
    Chinese-simplified
    ZHI
   .936

Windows定义的Unicode数据类型有哪些？

　　数据类型 说明

　　WCHAR Unicode字符

　　PWSTR 指向Unicode字符串的指针

　　PCWSTR 指向一个恒定的Unicode字符串的指针

　　对应的ANSI数据类型为CHAR，LPSTR和LPCSTR。

　　ANSI/Unicode通用数据类型为TCHAR，PTSTR,LPCTSTR。

　　6. 如何对Unicode进行操作？

　　字符集 特性 实例

　　ANSI 操作函数以str开头 strcpy

　　Unicode 操作函数以wcs开头 wcscpy

　　MBCS 操作函数以_mbs开头 _mbscpy

　　ANSI/Unicode 操作函数以_tcs开头 _tcscpy(C运行期库)

　　ANSI/Unicode 操作函数以lstr开头 lstrcpy(Windows函数)

　　所有新的和未过时的函数在Windows2000中都同时拥有ANSI和Unicode两个版本。ANSI版本函数结尾以A表示；Unicode版本函数结尾以W表示。Windows会如下定义：

　　#ifdef UNICODE

　　#define CreateWindowEx CreateWindowExW

　　#else

　　#define CreateWindowEx CreateWindowExA

　　#endif // !UNICODE
MultiByteToWideChar的与WideCharToMultiByte的参数详解