200字范文 > 拨开字符编码的迷雾--编译器如何处理文件编码

拨开字符编码的迷雾--编译器如何处理文件编码

时间：2020-09-05 15:36:22

一. Visual Studio字符集

使用Visual Studio创建的C++工程可以在工程属性配置属性-->常规中配置字符集：使用Unicode字符集（默认）、使用多字节字符集。

如图：

但这个设置项不会对编译器处理字符编码产生直接的影响（注意这里的“直接”二字，第3节会说到），只会在工程属性配置属性-->C/C++-->预处理器加入相应的宏：

使用Unicode字符集 --> _UNICODE和UNICODE宏使用多字节字符集 --> _MBCS宏

这几个宏一般用来判断是使用char还是wchar_t，在系统API中使用比较多，如MessegeBox通过是否定义了UNICODE宏来决定是使用LPCSTR还是LPCWSTR（LPCSTR即const char*, LPCWSTR即const wchar_t*）：

#ifdef UNICODE#define MessageBox MessageBoxW#else#define MessageBox MessageBoxA#endif // !UNICODE

二. char和wchar_t

上面提到了，定义API时通过判断UNICODE宏是否定义来决定是使用char还是wchar_t，那么char和wchar_t有什么不同了？

char和wchar_t是标准C/C++字符类型，并不是windows特有的。 char固定占1个字节，wchar_t固定占2个字节，从内存的角度来看，char、wchar_t和其他数据类型一样，只是代表一段内存块，用来存储固定长度的二进制0或1。在编程时，我们一般习惯于将字符串储到char或wchar_t定义的内存空间中，将整形存储在int定义的内存空间中。

所以，用char还是wchar_t来存储字符，只是内存分配和数据存储上面的事情，它们本身也是与字符编码无直接关系的（同样注意这里的“直接”二字，第3节会说到）。

三. 编译器如何处理硬编码字符

VC++编译器编译源代码的步骤中，涉及编码处理的步骤主要有2个：

第1步：预处理

1.1) 读取源文件，判断源文件采用的字符编码类型。(这一步不会改变文件内容)

编译器判断源文件编码类型的步骤为：1. 若文件开始处有BOM(EF BB BF)，则判定为UTF-8编码；2. 若没有BOM，则试图从文件的前8个字节来判断文件是否像UTF-16编码，如果像，则就判断为UTF-16编码。3. 如果既没BOM，也不是UTF-16编码，则使用系统当前的代码页（简体中文操作系统为CP936）。

不了解字符编码的朋友可以参考前一篇博客拨开字符编码的迷雾–字符编码概述

1.2) 将源文件内容转成源字符集(Source Character Set)，默认为UTF-8编码。

第2步：链接

2.1) 将1.2中得到的UTF-8转为执行字符集(Execution Character Set)：

- 对于宽字符串（即C/C++中以L标记的串，如L"abc",L'中'），执行字符集为UTF-16编码。

- 对于窄字符串（和宽字符串对应，即不以L标记的串），执行字符集为系统当前的代码页。

现在我们就可以说清楚Visual Studio字符集设置、char、wchar_t是如何间接影响到编译器对字符编码的处理了：

Visual Studio字符集设置|决定声明哪一个宏（UNICODE还是_MBCS宏）|宏又决定了API参数使用char还是wchar_t|编译器在进行【执行字符集】编码时对char和wchar_采用不同的处理方式，从而对字符编码产生了影响。

在Visual Studio （含）之后，支持使用# pragma execution_character_set来设置执行字符集。

四. 实例分析

已知汉字“中”的各种编码如下：

GBK D6 D0Unicode 2D 4EUTF-8E4 B8 AD

函数DumpCharacterCode用于按字节打印内存中的数据：

void DumpCharacterCode(const char* pChar, int iSize) {for(int i = 0; i < iSize; i++) {char a = *pChar++;printf("%02X ", a & 0xff);}printf("\n");}

设置系统代码页的方法：

“控制面板” –> “区域和语言” –> “管理” –> “非Unicode程序的语言” –> “更改系统区域设置”

Visual Studio保存文件到指定编码方法：

“文件” –> “高级保存选项”

4.1 测试编译器处理窄字符编码

测试代码如下：

int _tmain(int argc, _TCHAR* argv[]){char buf[100] = {"中"}; // charDumpCharacterCode(buf, 2); // 也可以打印4个字节return 0;}

针对不同的系统代码页和源文件编码，打印出的汉字“中”的编码分别为：

表格中列4~6依次对应编译处理源文件的几个步骤。

3F对应的ASCII字符为?，编译器遇到不能识别的字符时，就会用?来替代。出现?的情况会伴随着编译警告C4566。

上面出现了1次3F（用例5），导致乱码的原因是UTF-8 --> 西欧 CP1252.西欧 CP1252也就是ASCII的扩展，不支持汉字，所以用3F替代。

用例3为什么会编译错误？

微软的编译器只能识别带BOM的UTF-8，用例3的UTF-8没带BOM，编译器会判定源文件编码为系统当前代码页CP936。“中”的UTF-8编码为E4 B8 AD，列5执行从CP936到UTF-8转换之后变成了E6 B6 93 3F，列6再要将E6 B6 93 3F转换为CP936肯定是转换不回去的，相当于 UTF-8（1） –> UTF-8 （2），再将UTF-8（2）转换回CP936，这时肯定得到的字符不是原来的字符了。

用例4为什么输出的`D6 D0`，而不是`3F`？

对着用例4的各个顺序来看，源文件通过CP936保存着，但编译器通过CP1252来读取的，CP1252就是ASCII扩展，单字节的，虽然此时显示为乱码，但各字节仍然是D6 D0；然后将读取到的文件内容从CP1252转成UTF-8编码，转码后为C3 96 C3 90；然后再将UTF-8编码转回为CP1251，转码就又变成了D6 D0。但这个D6 D0在CP1252中是无法显示的，如果我们在用例4加入MessageBoxA(NULL, "中", "test", MB_OK);会发现弹出的对话框中显示仍然是乱码。

可以使用下面的代码进行测试（ANSIToUTF8、UTF8ToANSI函数见拨开字符编码的迷雾–字符编码转换）：

int _tmain(int argc, _TCHAR* argv[]){char buf[3] = { 0 }; // 模拟CP936编码的“中”buf[0] = 0xD6;buf[1] = 0xD0;std::string strUTF8 = ANSIToUTF8(buf, 1252);char *p = (char*)strUTF8.c_str(); // 通过visual studio查看指针p处内存为： C3 96 C3 90std::string str = UTF8ToANSI(strUTF8, 1252);p = (char*)str.c_str(); // 通过visual studio查看指针p处内存为： D6 D0return 0;}