C++ Builder 參考手冊(cè) ? C++ Builder 的字符串類型、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(tái)里面，可能是有符號(hào)整數(shù) (x86 / x64)，也可能是無符號(hào)整數(shù) (ARM / PowerPC)。大多數(shù)編譯器里面的 char 都是 8 位的整數(shù)，雖然 C / C++ 標(biāo)準(zhǔn)里面沒有規(guī)定 char 的位數(shù)，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)。

【注2】char 類型的字符編碼，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，如下面的截圖所示)，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3】wchar_t 類型在不同的平臺(tái)里面，可能是 2 個(gè)字節(jié)的 UTF-16 編碼的字符類型 (Windows)，也可能是 4 個(gè)字節(jié)的 UTF-32 編碼的字符類型 (Linux)。

Windows 10 1903 之后版本的控制面板里面的 UTF-8 編碼選項(xiàng)，打勾之后，"字符串"、char、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(xiàng)

二. 字符常數(shù)

【注4】'c' 單引號(hào)里面只能有一個(gè)字符，不限于編碼為 1 個(gè)字節(jié)的字符 (英文字母與數(shù)字等)，也可以有超過一個(gè)字節(jié)的編碼的字符，比如漢字等，例如 '漢' 和 '字' 都可以，單引號(hào)的字符并不是 char 類型的，而是 int 或 unsigned 類型的，如果給 char 賦值，高位字節(jié)丟失，只剩下最低位的一個(gè)字節(jié)的值，這種情況，編譯器可能會(huì)給出警告。

【注5】'c' 或 '漢' 這樣的字符常數(shù)，是 int 或 unsigned int 類型的，對(duì)于 C++ Builder，如果使用 clang 編譯器，是 int 類型的，如果使用 Borland 編譯器，是 unsigned int 類型的，其他 C/C++ 開發(fā)工具沒有測(cè)試。clang 編譯器超過 1 個(gè)字節(jié)的編碼的字符常數(shù)會(huì)有警告，因?yàn)橥ǔ＿@樣的字符要給 char 賦值，會(huì)丟失高位字節(jié)。

【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，如本文前面 char 類型的備注的截圖所示的參數(shù)位置)，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，可能是 UTF-32 編碼 (Linux)，也可能是 UTF-16 編碼 (Windows)。如果是 UTF-16 編碼，存在 2 個(gè) char16_t 字符的編碼 (4 個(gè)字節(jié)的編碼)，如果使用的是 Borland 編譯器，丟失第二個(gè) char16_t，只剩下第一個(gè) char16_t。例如 U+1F642 的 Emoji 字符 L'??' 的 UTF-16 編碼為 0xD83D, 0xDE42 兩個(gè) char16_t 字符，Borland 編譯器這個(gè)字符的編碼值只剩下了 0xD83D。如果使用 clang 編譯器，2 個(gè) 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，L'??' 就無法編譯通過了，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，如果這個(gè)字符是 2 個(gè) char16_t 編碼的，例如 U+1F642 的 Emoji 字符 L'??' 的 UTF-16 編碼為 0xD83D, 0xDE42 兩個(gè) char16_t 字符，就無法編譯通過了，這樣的字符需要用字符串處理。

通過以上注釋，字符常數(shù)的總結(jié)：

• UTF-8 或 ANSI 超過 1 個(gè)字節(jié)的編碼要用字符串處理，單個(gè)字符的字符常數(shù)的值超過了 1 個(gè)字節(jié)對(duì)于不同的編譯器的表現(xiàn)不同，可能無法正確處理；
• UTF-16 編碼的字符如果是由 2 個(gè) char16_t 組成的，不同的編譯器的表現(xiàn)不同，并且都無法正確處理，所以這樣的字符需要用字符串處理；
• UTF-32 編碼的字符永遠(yuǎn)都是正確的，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，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)，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10】L"字符串" 這樣的字符串常數(shù)的字符編碼，可能是 2 個(gè)字節(jié)的 UTF-16 編碼的字符類型 (Windows)，也可能是 4 個(gè)字節(jié)的 UTF-32 編碼的字符類型 (Linux)。

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，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)，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)，也可能是 UTF-32 編碼的字符串 (Linux)。

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、AnsiString、AnsiStringT<CP> 這些字符串之間互相賦值可以自動(dòng)轉(zhuǎn)碼。

void __fastcall TForm1::Button1Click(TObject *Sender)
{
    UnicodeString    u16s = L"你好，玄坴！";
    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(yùn)行：

• 由于 UnicodeString、UTF8String、AnsiString、AnsiStringT<CP> 這些字符串會(huì)自動(dòng)轉(zhuǎn)碼，所以這樣的字符串顯示出來都不亂碼；
• char * 字符串只有和控制面板的編碼相同時(shí)不會(huì)亂碼，編碼不同會(huì)亂碼；
• 把 char * 放回對(duì)應(yīng)編碼的字符串類型里面，就不亂碼了，因?yàn)樗麄儠?huì)自動(dòng)轉(zhuǎn)碼。

控制面板里面選擇了 UTF-8 編碼

編碼轉(zhuǎn)換運(yùn)行結(jié)果

在控制面板里面選擇了中文(簡(jiǎn)體，中國(guó))，編譯運(yùn)行：

• 由于 UnicodeString、UTF8String、AnsiString、AnsiStringT<CP> 這些字符串會(huì)自動(dòng)轉(zhuǎn)碼，所以這樣的字符串顯示出來都不亂碼；
• char * 字符串只有和控制面板的編碼相同時(shí)不會(huì)亂碼，編碼不同會(huì)亂碼；
• 把 char * 放回對(duì)應(yīng)編碼的字符串類型里面，就不亂碼了，因?yàn)樗麄儠?huì)自動(dòng)轉(zhuǎn)碼。

控制面板里面選擇了中文(簡(jiǎn)體，中國(guó))

編碼轉(zhuǎn)換運(yùn)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，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。

由于 UTF-32 編碼和 UCS4 編碼相同，可以用這兩個(gè)函數(shù)來進(jìn)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(dòng)態(tài)數(shù)組，只用來編碼轉(zhuǎn)換，這個(gè)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(diǎn)型變量和浮點(diǎn)型常量

C++ Builder 參考手冊(cè) ? C++ Builder 的字符串類型、字符類型、字符編碼