寫了n年程序，近來在字符串上栽了。:( 認(rèn)真的研究了一些關(guān)于字符串的文章，在此記下。

許多關(guān)于字符串的問題，在文章最后的參考文章中，相信有更加深入和精確的描述。不過關(guān)于中文的處理，我想先補充一些自己的看法。

背景：WIN32 console程序，使用printf輸出字符串。相信許多人都有使用過。

平臺：VisualStudio.NET 2003（MFC 7.1）。

	MBCS	UNICODE
蔡	b2 cc	21 85
A	41 00	41 00

程序段1：使用std::string

#include <string>


{

// NOTE: use s1._Bx._Buf to see the memory

std::string s1 ("蔡"); // b2 cc 00

}

{

std::wstring s1(L"蔡"); // b2 00 cc 00 00 00

}

以上代碼，不管使用MBCS還是_UNICODE編譯，得到的結(jié)果都是一樣的。因為string (實際上是basic_string)不會自動進行從MBCS到UNICODE的轉(zhuǎn)換。所以使用printf或者wprintf輸出即可。前提當(dāng)然是你的系統(tǒng)需要支持中文。

讓我們把代碼修改一下，希望可以輸出字符串的內(nèi)容：

{
std::string s1 ("蔡"); // b2 cc 00
OutputDebugStringA(s1.c_str());
printf(s1.c_str());
}

{

std::wstring s1(L"蔡"); // b2 00 cc 00 00 00
OutputDebugStringW(s1.c_str());
wprintf(s1.c_str());
}

OutputDebugString 實際上就是ATLTRACE（）最后調(diào)用的函數(shù)，該函數(shù)向VisualStudio的Output窗口輸出，而printf和wprintf向 console窗口輸出。最后的結(jié)果如何？OutputDebugStringW輸出的是怪字符??！WHY？？ s1.c_str()傳遞給OutputDebugStringW和wprintf不是都是內(nèi)容相同的LPCWSTR嗎？

1）因為OutputDebugStringW的字符串必須是真正UNICODE編碼的字符串，而不是所有的const wchar_t*（即LPCWSTR）都可以得到正確結(jié)果。在這里s1雖然使用wchar_t類型，但是實際的內(nèi)容卻是MBCS編碼。

2）反之亦然：CRT的wprintf只支持MBCS編碼的字符串，而不能是UNICODE編碼的字符串。在程序段2我們可以看到真正的UNICODE編碼的字符串。

這是我多年來的一個誤區(qū)：wchar_t類型的字符串就是UNICODE字符串。實際應(yīng)該理解為UNICODE是16位的字符集，可以使用wchar_t類型進行存儲。

程序段2：使用CString
請看程序后面的說明。

1.???????? ////////////////// START: compile with _UNICODE ///////////////////

2.???????? {

3.???????? CString s1 ("A"); // 41 00 00 00

4.???????? }

5.???????? {

6.???????? CString s1 (L"A"); // 41 00 00 00

7.???????? }

8.???????? {

9.???????? CString s1 (_T("A")); // 41 00 00 00

10.???? }

11.???? {

12.???? CString s1 (" 蔡 "); // 21 85 00 00

13.???? }

14.???? {

15.???? CString s1 (L" 蔡 "); // b2 00 cc 00 00 00

16.???? }

17.???? {

18.???? CString s1 (_T(" 蔡 ")); // b2 00 cc 00 00 00

19.???? }

20.???? ////////////////// END: compile with _UNICODE ///////////////////

21.???? ////////////////// START: compile with _MBCS ///////////////////

22.???? {

23.???? CString s1 ("A"); // 41 00

24.???? }

25.???? {

26.???? CString s1 (L"A"); // 41 00

27.???? }

28.???? {

29.???? CString s1 (_T("A")); // 41 00

30.???? }

31.???? {

32.???? CString s1 (" 蔡 "); // b2 cc 00

33.???? }

34.???? {

35.???? CString s1 (L" 蔡 "); // 32 a8 ac 00

36.???? }

37.???? {

38.???? CString s1 (_T(" 蔡 ")); // b2 cc 00

39.???? }

40.???? ////////////////// END: compile with _MBCS ///////////////////

1）對于英文字母‘A’，MBCS和UNICODE的結(jié)果都是一樣的

2）Line 15.?????

CString s1 (L" 蔡 "); // b2 00 cc 00 00 00

得到的還是MBCS的字符串，只是增加了0作為trail byte。而不是我理解的UNICODE字符串！這是我多年來的另外一個誤區(qū)：_T在_UNICODE下轉(zhuǎn)換為L，而L后面的字符串是UNICODE編碼。在參考資料MSDN的“TCHAR.H 中的一般文本映射”中（以及MSDN的許多地方），可以看到類似的說明：

一般文本數(shù)據(jù)類型映射

實際上L"xxx"只是通知編譯器，我們需要的是wchar_t類型的字符串，而不能影響編碼。

真正的UNICODE字符串在哪里？

3）Line 12：

等同于??? CStringW s1 ("蔡"); // 21 85 00 00

我們看到，得到了真正的UNICODE 字符串。因為CString（在MFC 7.1中，不存在MFC的CString，實際上由ATL::CStringT通過typedef定義而得）的構(gòu)造函數(shù)，在這里實際上是CStringW 的構(gòu)造函數(shù)，根據(jù)輸入的參數(shù)是char類型字符串，會自動調(diào)用MultiByteToWideChar轉(zhuǎn)換MBCS字符串為UNICODE字符串。

4）相應(yīng)Line 12，那么Line 35得到的結(jié)果32 a8 ac 00是什么？和Line 12類似：

CString構(gòu)造函數(shù)，在這里實際上是CStringA的構(gòu)造函數(shù)，根據(jù)輸入的參數(shù)是wchar_t類型字符串，會自動調(diào)用WideCharToMultiByte轉(zhuǎn)換UNICODE字符串為MBCS字符串。但是根據(jù)2），我們知道，輸入的參數(shù)不是UNICODE字符串，只是MBCS的wchar_t類型字符串，所以得到的是錯誤的編碼。

　

總結(jié)以上，可知：

1）CRT不能生成和處理UNICODE類型字符串，對于wchar_t類型字符串，只能處理MBCS編碼；

2）VC RunTime中帶W后綴的函數(shù)，和所有的COM函數(shù)，對于wchar_t類型字符串，只能處理UNICODE編碼；

3）如果不考慮輸出，只是進行拷貝、比較等操作，只要注意_T的含義和字符串的字符類型長度就可以了；但是如果需要輸出，必須注意字符串的編碼轉(zhuǎn)換。
4） 使用UNICODE或者MBCS的編譯選項，只是影響字符串的字符類型（自動識別_T，CString等，自動把函數(shù)轉(zhuǎn)換為xxxxA()或者xxxxW ()），不影響字符串的編碼。下表的代碼結(jié)果不受編譯選項影響（這也是編譯器處理_T，CString等后的結(jié)果）：

CStringA s = "xxx"; // 等于 CA2A("xxx") 結(jié)果為SBCS（單字節(jié)編碼） printf()正確 OutputDebugStringA()正確	CStringW s = "xxx"; // 等于 CA2W("xxx") 結(jié)果為UNICODE編碼 wprintf()錯誤 OutputDebugStringW()正確
CStringA s ＝ L"xxx"; // 等于 CW2A(L"xxx") 結(jié)果為MBCS編碼（可能錯誤） printf()錯誤 OutputDebugStringA()錯誤	CStringW s = L"xxx"; // 等于 CW2W("xxx") 不改變字符串的編碼，仍然是MBCS。 wprintf()正確 OutputDebugStringW()錯誤

疑問：我認(rèn)為對于CW2W是由系統(tǒng)編碼決定，可以直接得到UNICODE嗎？

關(guān)于CW2A，如果后面的字符串的確是UNICODE編碼，則可以得到正確的相應(yīng)MBCS編碼字符串。實際上，這也是我們要輸出UNICODE的方法：

CStringW s = "蔡"; // s 現(xiàn)在是UNICODE編碼

// wprintf(s)不正確

CW2A psz(s); // psz現(xiàn)在是s相應(yīng)的正確的MBCS編碼！

printf(psz); // 正確

// All is OK, a little more to say

CA2W wsz(psz); // wsz現(xiàn)在是psz的錯誤的UNICODE編碼，即32 a8 ac 00

　

　

推薦參考資料

• The Complete Guide to C++ Strings：個人認(rèn)為很好和很全面的文章

The Complete Guide to C++ Strings, Part I - Win32 Character Encodings

http://www.codeproject.com/string/CPPStringGuide1.asp

The Complete Guide to C++ Strings, Part I - Win32 Character Encodings

http://www.codeproject.com/string/cppstringguide2.asp

• 這2篇是不錯的中文翻譯。 :)
  
  
  C++字符串完全指引之一 —— Win32 字符編碼
  http://www.vckbase.com/document/viewdoc/?id=1082
  
  C++字符串完全指引之二 —— 字符串封裝類
  
  http://www.vckbase.com/document/viewdoc/?id=1096
  
  
  
• 其它一篇
  STL 字符串類與 UNICODE
  
  http://www.vckbase.com/vckbase/default.aspx
  
  
• 當(dāng)然，少不了MSDN
  
  TCHAR.H 中的一般文本映射
  
  http://msdn.microsoft.com/library/chs/default.asp?url=/library/CHS/vccore/html/_core_generic.2d.text_mappings_in_tchar..h.asp
  
  建議：最好把整個“國際編程”目錄看一次（雖然看完還是糊涂 :) ）
  
  http://msdn.microsoft.com/library/CHS/vccore/html/_core_International_Programming_Topics.asp