C++:中文編碼轉換
在介紹如何使用C++11標準庫進行中文編碼轉換之前,先說說一下byte string、multibyte string、wide string之間的區別。
byte string
由8位元的位元組組成的字串。由char表示位元組。因而字串長度=位元組數=char數
multibyte string
在記憶體佈局上與byte string相同。但是由於它是區域(locale)相關的,所以它有可能表示的是UTF-8, GB18030, EUC-JP, Shift-JIS等格式的字串,而這些格式中的每個字碼(codepoint)可能是由多個連續的char組合構成的,所以字串長度=字碼數,但!=char數,也!=位元組數。
wide string
每個寬字元由於作業系統的不同,其寬度為16位或32位的多語言字元程式碼。格式分別採用unicode(UTF-16LE)、UTF-16、UTF-32,由wchar_t, char16_t, char32_t表示。
C++標準庫中對應關係:
char * std::string
wchar_t* std::wstring
char16_t* std::u16string
char32_t* std::u32string
1.string與wstring互相轉化
C++標準庫從C++11開始提供了std::codecvt_utf8和std::codecvt_byname兩個轉換器來完成編碼轉換,可使用的通用程式碼如下:
#include <string> #include <locale> #include <codecvt> // string的編碼方式為utf8,則採用: std::string wstring2utf8string(const std::wstring& str) { std::wstring_convert<std::codecvt_utf8<wchar_t> > strCnv; return strCnv.to_bytes(str); } std::wstring utf8string2wstring(const std::string& str) { std::wstring_convert< std::codecvt_utf8<wchar_t> > strCnv; return strCnv.from_bytes(str); } // string的編碼方式為除utf8外的其它編碼方式,可採用: std::string wstring2string(const std::wstring& str, const std::string& locale) { typedef std::codecvt_byname<wchar_t, char, std::mbstate_t> F; std::wstring_convert<F> strCnv(new F(locale)); return strCnv.to_bytes(str); } std::wstring string2wstring(const std::string& str, const std::string& locale) { typedef std::codecvt_byname<wchar_t, char, std::mbstate_t> F; std::wstring_convert<F> strCnv(new F(locale)); return strCnv.from_bytes(str); }
如果是GBK string與wstring互相轉化,locale可取值:
linux下:
zh_CN.GBK
zh_CN.GB2312
zh_CN.GB18030
windows下:
標準格式的locale:
Chinese_China.936
zh-CN
.936
非標準格式的locale:
chs
Chinese-simplified
Chinese
ZHI
不能使用的locale:
Chinese.936,chs.936,Chinese.GB2312,chs.GB18030等此類值。
下面通過一些例子說明上面的函式如何使用吧。
2.string與wstring如何輸出到控制檯
內碼表為936
以在windows控制檯為例,舉例說明:
// testCode.cpp
#include <string>
#include <iostream>
#include <fstream>
#include <codecvt>
#include <locale>
int main() {
std::wstring txt = L"中國人";
std::wcout << txt << endl;
}
程式編譯後在中文版windows中執行結果:
控制檯使用的內碼表為936(也就是GBK編碼),輸出結果為亂碼。因為txt是unicode,而控制檯是GBK編碼,亂碼是由於沒有做編碼轉換造成的。
修改程式碼,新增一個轉換器:
int main() {
std::wstring txt = L"中國人";
wcout.imbue(std::locale(std::locale("Chinese"), new std::codecvt_byname<wchar_t, char, std::mbstate_t>("Chinese")));
// wcout.imbue(std::locale("Chinese"));
// 也可以簡寫成這種形式,其中預設帶了std::codecvt_byname<wchar_t, char, std::mbstate_t>("Chinese")轉換器
std::wcout << txt << endl;
}
此時,輸出結果就正常了。
如果修改內碼表為65001(也就是UTF-8編碼),再執行如下程式碼:
int main() {
std::wstring txt = L"中國人";
std::wcout << txt << endl;
}
會發現沒有結果輸出,說明從unicode到utf-8沒有轉換成功。
修改程式碼,新增一個轉換器:
int main() {
std::wstring txt = L"中國人";
wcout.imbue(std::locale(std::locale("Chinese"), new std::codecvt_utf8<wchar_t>()));
std::wcout << txt << endl;
}
此時,結果正確輸出了:
由於wstring是unicode,它轉換到其它編碼格式,只需要使用一次轉換器就可以了,但如果使用的是string,又該怎樣做轉換?比如使用如下程式碼:
int main() {
std::string txt = u8"中國人";
std::cout << txt << endl;
}
在內碼表為936的情況下,執行輸出為亂碼:
修改程式碼,新增兩個轉換器:
int main() {
std::string txt = u8"中國人"; // string的編碼格式為utf-8
std::wstring wtxt = utf8string2wstring(txt); // 將utf-8的string轉換為wstring
std::string txt_gbk = wstring2string(wtxt, "Chinese"); // 再將wstring轉換為gbk的string
std::cout << txt_gbk << endl;
}
此時,輸出結果正常:
內碼表為65001
再修改一下程式碼:
int main() {
std::string txt = "中國人";
std::cout << txt << endl;
}
在內碼表為65001的情況下,執行無輸出,說明執行結果失敗:
新增兩個轉換方法再試試:
int main() {
std::string txt = "中國人";
std::wstring wtxt = string2wstring(txt, "Chinese");
std::string txt_uft8 = wstring2utf8string(wtxt);
std::cout << txt_uft8 << endl;
}
在內碼表為65001的情況下,執行成功:
使用std::wcout試一下:
int main() {
std::string txt = "中國人";
std::wstring wtxt = string2wstring(txt, "Chinese");
wcout.imbue(std::locale(std::locale("Chinese"), new std::codecvt_utf8<wchar_t>()));
std::wcout << wtxt << endl;
}
在內碼表為65001的情況下,執行結果正常:
再舉一個儲存到檔案的例子:
int main() {
std::string txt = "中國人";
std::wstring wtxt = string2wstring(txt, "Chinese");
std::string txt_uft8 = wstring2utf8string(wtxt);
std::ofstream of("D:/temp/text.txt");
of << txt_uft8 << endl;
}
以上程式碼執行成功,並將字串以utf-8儲存到檔案了。
再使用如下程式碼試試:
int main() {
std::string txt = u8"中國人";
std::ofstream of("D:/temp/text.txt");
of << txt << endl;
}
也能以utf-8儲存到檔案。
3.在輸入輸出流中使用編碼轉換
除了直接使用轉換器做字串之間的轉換外,如果用到的輸入與輸出流,則可以直接在輸入輸出流上配置需要的轉換器。上面已經有多個例子了,這裡再補充一個例子,程式碼如下:
#include <iostream>
#include <fstream>
#include <string>
#include <locale>
int main()
{
// text.txt是UTF-8編譯的檔案
std::wifstream fin("D:/temp/text.txt");
// 檔案輸入流中使用UTF-8轉換器
fin.imbue(std::locale(std::locale("zh-CN"), new std::codecvt_utf8<wchar_t>()));
// 控制檯輸出流中使用GBK轉換器
std::wcout.imbue(std::locale(std::locale("zh-CN"), new std::codecvt_byname<wchar_t, char, std::mbstate_t>("Chinese_China.936")));
for (wchar_t c; fin.get(c); ) {
std::wcout << c << endl;
}
}
以上是在windows上可執行的程式碼 ,如果要在Linux上執行,只需要把Chinese_China.936替換成zh_CN.GBK即可。
4.char* 與wchar_t*互相轉化
在C++11之前,C++標準庫中提供瞭如下兩個函式進行編碼轉換。需要說明的是,這兩個函式在windows下不支援UTF-8,而在Linux下是可以支援UTF-8的:
#include <cstdlib>
std::size_t mbstowcs( wchar_t* dst, const char* src, std::size_t len);
std::size_t wcstombs( char* dst, const wchar_t* src, std::size_t len);
windows不支援UTF-8的原因,據說是因為這兩個函式一開始只支援ANSI內的多位元組編碼方式,而ANSI內的多位元組編碼方式的特點是每個字元不超過兩個位元組,後來utf-8出現後,由於UTF-8中的字元是有可能超過兩個位元組的,如果要加入UTF-8,會對現在函式做大量修改,因此Microsoft沒有讓這兩個函式支援UTF-8。也可以說,這兩個函式不認為UTF-8是多位元組編碼方式。
以下為Linux下可以執行的程式碼:
#include <iostream>
#include <clocale>
#include <cstdlib>
int main()
{
std::setlocale(LC_ALL, "en_US.utf8");
std::wcout.imbue(std::locale("en_US.utf8"));
const char* mbstr = u8"中國人";
wchar_t wstr[5];
std::mbstowcs(wstr, mbstr, 5);
std::wcout << "wide string: " << wstr << '\n';
}
#include <iostream>
#include <clocale>
#include <cstdlib>
int main()
{
std::setlocale(LC_ALL, "en_US.utf8");
// UTF-8 narrow multibyte encoding
const wchar_t* wstr = L"中國人";
char mbstr[11];
std::wcstombs(mbstr, wstr, 11);
std::cout << "multibyte string: " << mbstr << '\n';
}
如果要在windows上使用與UTF-8相關的編碼轉換,也可以考慮使用如下函式,只不過這將失去平臺移植性:
MultiByteToWideChar
WideCharToMultiByte
void mbtowchar(const char* input, wchar_t* output) {
int len = MultiByteToWideChar(CP_UTF8, 0, input, -1, NULL, 0);
MultiByteToWideChar(CP_UTF8, 0, input, -1, output, len);
}
總結
從C++11開始,標準C++庫引入相關API,提供了標準的字元編碼轉換方式,方便開發者開發跨平臺的字元編碼轉換程式碼。然而,上述程式碼中使用的wstring_convert、codecvt_utf8已在C++17被棄用了,至於由什麼來替代,C++標準中沒有說,現在只好繼續使用它們,等待新的C++標準出來了。