C++ Builder 參考手冊 ? C++ Builder 的字符串類型蔗候、字符類型、字符編碼

• 字符變量
• 字符常數(shù)
• 字符串常數(shù)
• 標(biāo)準(zhǔn) C / C++ 字符串變量類型
• Windows API 字符串變量類型
• C++ Builder 字符串變量類型
• UTF-8 / UTF-16 / UTF-32 / ANSI / GBK / BIG5 等編碼轉(zhuǎn)換

一. 字符變量

【注1】char 類型在不同的平臺里面诉字，可能是有符號整數(shù) (x86 / x64)懦尝，也可能是無符號整數(shù) (ARM / PowerPC)。大多數(shù)編譯器里面的 char 都是 8 位的整數(shù)壤圃，雖然 C / C++ 標(biāo)準(zhǔn)里面沒有規(guī)定 char 的位數(shù)陵霉，但是說明了 char 必須支持 UTF-8 編碼 (C++ 14)，那么 char 就應(yīng)該是 8 位整數(shù)伍绳。

【注2】char 類型的字符編碼踊挠，可能是 UTF-8 類型的 (Linux 默認(rèn)編碼 / Windows 10 1903 之后的版本在控制面板里面設(shè)定 UTF-8 編碼，如下面的截圖所示)冲杀，也可能是 ANSI 編碼 (Windows 到目前為止的所有的版本的默認(rèn)的編碼)效床。

【注3】wchar_t 類型在不同的平臺里面，可能是 2 個字節(jié)的 UTF-16 編碼的字符類型 (Windows)权谁，也可能是 4 個字節(jié)的 UTF-32 編碼的字符類型 (Linux)剩檀。

Windows 10 1903 之后版本的控制面板里面的 UTF-8 編碼選項，打勾之后旺芽，"字符串"沪猴、char康二、std::string 和 AnsiString 都變成了 UTF-8 編碼：

Windows 10 的字符編碼改為 UTF-8 的選項

二. 字符常數(shù)

【注4】'c' 單引號里面只能有一個字符轴猎，不限于編碼為 1 個字節(jié)的字符 (英文字母與數(shù)字等)，也可以有超過一個字節(jié)的編碼的字符进萄，比如漢字等捻脖，例如 '漢' 和 '字' 都可以，單引號的字符并不是 char 類型的中鼠，而是 int 或 unsigned 類型的可婶，如果給 char 賦值，高位字節(jié)丟失援雇，只剩下最低位的一個字節(jié)的值矛渴，這種情況，編譯器可能會給出警告惫搏。

【注5】'c' 或 '漢' 這樣的字符常數(shù)具温，是 int 或 unsigned int 類型的，對于 C++ Builder筐赔，如果使用 clang 編譯器铣猩，是 int 類型的，如果使用 Borland 編譯器川陆，是 unsigned int 類型的剂习，其他 C/C++ 開發(fā)工具沒有測試蛮位。clang 編譯器超過 1 個字節(jié)的編碼的字符常數(shù)會有警告，因為通常這樣的字符要給 char 賦值鳞绕，會丟失高位字節(jié)失仁。

【注6】'c' 或 '漢' 這樣的字符常數(shù)的字符編碼，可能是 UTF-8 類型的 (Linux 默認(rèn)編碼 / Windows 10 1903 之后的版本在控制面板里面設(shè)定 UTF-8 編碼们何，如本文前面 char 類型的備注的截圖所示的參數(shù)位置)萄焦，也可能是 ANSI 編碼 (Windows 到目前為止的所有的版本的默認(rèn)的編碼)。

【注7】L'c' 或 L'漢' 這樣的字符常數(shù)的字符編碼和 wchar_t 類型相同冤竹，可能是 UTF-32 編碼 (Linux)拂封，也可能是 UTF-16 編碼 (Windows)。如果是 UTF-16 編碼鹦蠕，存在 2 個 char16_t 字符的編碼 (4 個字節(jié)的編碼)冒签，如果使用的是 Borland 編譯器，丟失第二個 char16_t钟病，只剩下第一個 char16_t萧恕。例如 U+1F642 的 Emoji 字符 L'??' 的 UTF-16 編碼為 0xD83D, 0xDE42 兩個 char16_t 字符，Borland 編譯器這個字符的編碼值只剩下了 0xD83D肠阱。如果使用 clang 編譯器票唆，2 個 char16_t 的編碼的字符無法編譯通過，即 L'漢' 可以得到正確的編碼值屹徘，L'??' 就無法編譯通過了走趋，這樣的字符需要用字符串處理。

【注8】u'c' 或 u'漢' 這樣的字符常數(shù)為 UTF-16 編碼的噪伊，如果這個字符是 2 個 char16_t 編碼的簿煌，例如 U+1F642 的 Emoji 字符 L'??' 的 UTF-16 編碼為 0xD83D, 0xDE42 兩個 char16_t 字符，就無法編譯通過了鉴吹，這樣的字符需要用字符串處理啦吧。

通過以上注釋，字符常數(shù)的總結(jié)：

• UTF-8 或 ANSI 超過 1 個字節(jié)的編碼要用字符串處理拙寡，單個字符的字符常數(shù)的值超過了 1 個字節(jié)對于不同的編譯器的表現(xiàn)不同授滓，可能無法正確處理；
• UTF-16 編碼的字符如果是由 2 個 char16_t 組成的肆糕，不同的編譯器的表現(xiàn)不同般堆，并且都無法正確處理，所以這樣的字符需要用字符串處理诚啃；
• UTF-32 編碼的字符永遠(yuǎn)都是正確的淮摔，他們的編碼值就等于 UNICODE 編碼值。

三. 字符串常數(shù)

【注9】"字符串" 這樣的字符串常數(shù)的字符編碼晰搀，可能是 UTF-8 類型的 (Linux 默認(rèn)編碼 / Windows 10 1903 之后的版本在控制面板里面設(shè)定 UTF-8 編碼，如本文前面 char 類型的備注的截圖所示的參數(shù)位置)办斑，也可能是 ANSI 編碼 (Windows 到目前為止的所有的版本的默認(rèn)的編碼)外恕。

【注10】L"字符串" 這樣的字符串常數(shù)的字符編碼，可能是 2 個字節(jié)的 UTF-16 編碼的字符類型 (Windows)乡翅，也可能是 4 個字節(jié)的 UTF-32 編碼的字符類型 (Linux)鳞疲。

四. 標(biāo)準(zhǔn) C / C++ 字符串變量類型

【注11】char * / char [] / std::string 這些的字符串的字符編碼床牧，可能是 UTF-8 類型的 (Linux 默認(rèn)編碼 / Windows 10 1903 之后的版本在控制面板里面設(shè)定 UTF-8 編碼，如本文前面 char 類型的備注的截圖所示的參數(shù)位置)遭贸，也可能是 ANSI 編碼 (Windows 到目前為止的所有的版本的默認(rèn)的編碼)戈咳。

【注12】wchar_t * / wchar_t [] / std::wstring 這些字符串的字符編碼，可能是 UTF-16 編碼的字符串 (Windows)壕吹，也可能是 UTF-32 編碼的字符串 (Linux)著蛙。

五. Windows API 字符串變量類型

六. C++ Builder 字符串變量類型

七. UTF-8 / UTF-16 / UTF-32 / ANSI / GBK / BIG5 等編碼轉(zhuǎn)換

1. UTF-8 / UTF-16 / ANSI / GBK / BIG5 等編碼轉(zhuǎn)換

UnicodeString、UTF8String成榜、AnsiString框舔、AnsiStringT<CP> 這些字符串之間互相賦值可以自動轉(zhuǎn)碼。

void __fastcall TForm1::Button1Click(TObject *Sender)
{
    UnicodeString    u16s = L"你好赎婚，玄坴刘绣！";
    UTF8String       u8s  = u16s;
    AnsiStringT<936> gbk  = u8s;
    AnsiStringT<950> big5 = u16s;
    AnsiString       as   = big5;

    Memo1->Lines->Add(u16s);
    Memo1->Lines->Add(u8s );
    Memo1->Lines->Add(gbk );
    Memo1->Lines->Add(big5);
    Memo1->Lines->Add(as  );

    wchar_t *lpU16  = u16s.c_str(); // UTF-16
    char    *lpUTF8 = u8s.c_str();  // UTF-8
    char    *lpGBK  = gbk.c_str();  // GBK
    char    *lpBIG5 = big5.c_str(); // BIG5
    char    *lpANSI = as.c_str();   // ANSI

    Memo1->Lines->Add(L"---");
    Memo1->Lines->Add(lpU16 );
    Memo1->Lines->Add(lpUTF8);
    Memo1->Lines->Add(lpGBK );
    Memo1->Lines->Add(lpBIG5);
    Memo1->Lines->Add(lpANSI);

    UnicodeString     sU16  = lpU16 ; // UTF-16
    UTF8String        sU8   = lpUTF8; // UTF-8
    AnsiStringT<936>  s936  = lpGBK ; // GBK
    AnsiStringT<950>  s950  = lpBIG5; // BIG5
    AnsiString        sANSI = lpANSI; // ANSI

    Memo1->Lines->Add(L"---");
    Memo1->Lines->Add(sU16  );
    Memo1->Lines->Add(sU8   );
    Memo1->Lines->Add(s936  );
    Memo1->Lines->Add(s950  );
    Memo1->Lines->Add(sANSI );
}

在控制面板里面選擇了 UTF-8 編碼，編譯運行：

• 由于 UnicodeString挣输、UTF8String纬凤、AnsiString、AnsiStringT<CP> 這些字符串會自動轉(zhuǎn)碼撩嚼，所以這樣的字符串顯示出來都不亂碼停士；
• char * 字符串只有和控制面板的編碼相同時不會亂碼，編碼不同會亂碼完丽；
• 把 char * 放回對應(yīng)編碼的字符串類型里面向瓷，就不亂碼了，因為他們會自動轉(zhuǎn)碼舰涌。

控制面板里面選擇了 UTF-8 編碼

編碼轉(zhuǎn)換運行結(jié)果

在控制面板里面選擇了中文(簡體猖任，中國)，編譯運行：

• 由于 UnicodeString瓷耙、UTF8String朱躺、AnsiString刁赖、AnsiStringT<CP> 這些字符串會自動轉(zhuǎn)碼，所以這樣的字符串顯示出來都不亂碼长搀；
• char * 字符串只有和控制面板的編碼相同時不會亂碼宇弛，編碼不同會亂碼；
• 把 char * 放回對應(yīng)編碼的字符串類型里面源请，就不亂碼了枪芒，因為他們會自動轉(zhuǎn)碼。

控制面板里面選擇了中文(簡體谁尸，中國)

編碼轉(zhuǎn)換運行結(jié)果

2. UTF-32 與其他編碼之間轉(zhuǎn)換

由于 Windows 核心都是 UTF-16 編碼的舅踪，沒有處理 UTF-32 編碼的能力，如果有 UTF-32 編碼的數(shù)據(jù)需要轉(zhuǎn)成 UTF-16 處理良蛮。

由于 UTF-32 編碼和 UCS4 編碼相同抽碌，可以用這兩個函數(shù)來進行編碼轉(zhuǎn)換：

UCS4String __fastcall UnicodeStringToUCS4String(const UnicodeString S);
UnicodeString __fastcall UCS4StringToUnicodeString(const UCS4String S);

UCS4String 字符串也沒有處理字符串的能力，只是 UTF-32 字符的動態(tài)數(shù)組决瞳，只用來編碼轉(zhuǎn)換货徙，這個字符串類型是這樣定義的：

typedef DynamicArray<UCS4Char> UCS4String;

相關(guān)：

• C++ Builder 整型變量和整型常量
• C++ Builder 的枚舉類型
• C++ Builder 浮點型變量和浮點型常量

C++ Builder 參考手冊 ? C++ Builder 的字符串類型、字符類型皮胡、字符編碼