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。
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。
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,
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!
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
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!
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
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 bfe6 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
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 ff60 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
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<
结果如下：
字节数=6
16进制值=fe ff60 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=fffea860 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=feff60a8 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
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
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
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<
· wcstombs
wchar_t *wname=L"叶明";
char * cname=new char[4];
setlocale(LC_TIME,"chs");
wcout<
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
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
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
----文章结束----
