C++读取unicode文本

<致敬原作者>http://librawill.blogspot.com/2008/08/cunicode_2881.html
熟悉一下字符类型，char, wchar_t, TCHAR，最熟悉的char是单字节字符，适用于ANSI编码；wchar_t是双字节的宽字符类型，适用于unicode编码；TCHAR是一个宏，在ANSI坏境下定义为char，unicode坏境下定义为wchar_t。

怎么来表示字符串？对，字符数组，要知道在C++语言里面，其实没有数组的数据结构，所谓数组，都是由指针+长度来表示。字符型指针const char *, const wchar_t *, const TCHAR *可以用来在不同的环境下表示字符串。再说相关的几个宏，LPSTR: long point string, 相当于char *; LPCSTR: long point const string, 相当于 const char *; LPCWSTR: long point const wide string, 相当于 const wchar_t *; LPCTSTR: 类似的，相当于 const TCHAR *; 这些都不要死记硬背，记着大写字母的意思即可猜出其含义。

一个字符串，比如说"北京2008"，对应ANSI编码表示为 const char * cha = "北京2008"; unicode编码表示为 const wchar_t * wcha = L"北京2008"; 。在内存里以二进制存储，ANSI编码对应为 0x B1B1 BEA9 32 30 30 38，unicode编码为 0x 1753 AC4E 3200 3000 3000 3800。

回到上面，为什么字符型指针可以表示一个字符串？计算机找到这个指针，只能知道串首字符，这里因为字符串有个默认的结束符'\0'（ANSI或者ASCII表示为0x00），从首字符开始，计算机开始向后查找直到0x00，认为字符串结束，所以存储字符串的时候，计算机是带着一个特殊结束符的。可是要注意了，这个结束符0x00是ASCII码定义的结束符啊，那么在宽字符unicode环境下呢？结束符是什么？是0x0000。

而对于非const字符串，怎么表示？char * 方法怎么动态定义长度？好办，可以用new手动分配内存空间，除此之外，还有更好办的方法，那就是字符串类型string, 怎么可变长度，怎么记录长度，内存怎么存储，这些都不用管，都有C++标准库自动管理。

不同类型的字符串间之间怎么转换？比如定义 char * cha; string str; str = cha; // 可以实现 char * 到 string 的转换， cha = str.c_str(); 可以从 string 转换到 char *；对于wchar_t wcha; wstring wstr; 呢？wstr = wcha; wcha = wstr.c_str(); // 这个是否可以呢？！

说过了字符串的表示和类型转换，再来看字符流I/O，C++里面的fstream, ifstream, ofstream, 文件流的I/O有好多种方式，默认为字符流方式，明确的说是ANSI字符流，都是针对ANSI文本的，那么unicode怎么读写呢？

C++里倒真有wfsteam流的，可惜用起来也很奇怪，用wifstream读取unicode文本，结果竟然是读取一个字节，加上一个0x00，在读取下一个字节，如此！比如文本里保存的还是“北京2008”，刚才说过unicode编码为 0x 1753 AC4E 3200 3000 3000 3800；用wifstream读到内存的字符竟是 0x 1700 5300 AC00 4E00 ... 这叫什么unicode？我不知道wfstream怎么正确使用用，有知道的朋友还请不吝告知！

既然wftream不行，那么怎么读取unicode呢，这里可以借鉴一下二进制流的读写方式，二进制流在读写时必须明白存储单位的数据结构，定义为结构体，然后逐n字节（n为结构长度）按二进制读取；这个可以借鉴过来，不用定义结构了，直接用wchar_t，代码如下：
ifstream fin;
fin.open(filename, ios::binary);
// 跳过unicode文本开头有两个字节0xFFFE（称作BOM，用于标识unicode编码）
fin.seek(2, ios::beg);
while (!fin.eof())
{
wchar_t wch;
fin.read((char *)(&wch), 2);
}

如果要按行读取，怎么办？好了，有ifstream的成员函数getline(cha, size)，还有string类成员函数getline(fin, str)。你试试能不能用在unicode下使用？答案是否定的！为什么？因为getline函数默认在ANSI下使用，它对换行符的判断是基于ASCII码的换行（0x0D）和行开头标记（0x0A），如果把它用在unicode编码下，比如“不”字，unicode编码为0x0D4E。当getline函数执行到这，以为换行了，所以说会失效！那么unicode换行符以及行开头符的二进制是什么？双字节了，是0x0D00和0x0A00，这时候getline函数就失效了，怎么办，手动判断：
ifstream fin;
fin.open(filename, ios::binary);
size_t index = 2;
while (!fin.eof())
{
fin.seekg(index, ios::beg);
wchar_t wch;
fin.read((char *)(&wch), 2);
if (wch == 0x000D) // 判断回车
{
strLineAnsi = ws2s(wstrLine);
wstrLine.erase(0, wstrLine.size() + 1);
iLine++;
index += 4; // 跳过回车符和行开头符
}
else
{
wstrLine.append(1, wch);
index += 2;
}
}

上面的程序可以读取unicode了，那么读了进来怎么理解unicode呢，这就需要char * 和 wchar_t *间的转换了，这个没有简便的方法，ANSI、UNICODE两种编码之间的转换，只能靠查表实现，C++提供了两个函数，wcstombs(_Dest, _Source, _Dsize) 从unicode编码转化为ANSI编码 ，mbstowcs(_Dest, _Source, _Dsize)反之，参数对应为const char*, const wchar_t*以及长度。这里在提供一个网上的函数，用于实现string和wstring的转换：
std::string ws2s(const std::wstring& ws)
{
std::string curLocale = setlocale(LC_ALL, NULL); // curLocale = "C";
setlocale(LC_ALL, "chs");
const wchar_t* _Source = ws.c_str();
size_t _Dsize = 2 * ws.size() + 1;
char *_Dest = new char[_Dsize];
memset(_Dest,0,_Dsize);
wcstombs(_Dest,_Source,_Dsize);
std::string result = _Dest;
delete []_Dest;
setlocale(LC_ALL, curLocale.c_str());
return result;
}

std::wstring s2ws(const std::string& s)
{
setlocale(LC_ALL, "chs");
const char* _Source = s.c_str();
size_t _Dsize = s.size() + 1;
wchar_t *_Dest = new wchar_t[_Dsize];
wmemset(_Dest, 0, _Dsize);
mbstowcs(_Dest,_Source,_Dsize);
std::wstring result = _Dest;
delete []_Dest;
setlocale(LC_ALL, "C");
return result;
}

写到这里，就可以用C++读取unicode文本了，写的方法类似。