Skip to content

lovepika/thinking_file_encoding_cpp

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 

History

7 Commits
 
 
 
 
 
 
 
 

Repository files navigation

cpp source code file encoding thinking

repo link: https://github.com/lovepika/thinking_file_encoding_cpp

cpp源码在跨平台场景下文件编码的思考

1.为什么写这篇文章

之前主要的开发环境主要是在Linux,文件编码选择了UTF-8. 代码中也硬编码过中文(不是很好的方式哦),平时的注释也是中文。 因为Linux系统下的缘故,没有出现过乱码之类的事情,之前没有认真思考过编码相关的问题。(其实是Linux下终端默认的UTF-8掩盖了问题。)

本篇文章将探讨下面几个问题:

  • cpp程序中都可以出现哪些字符,为什么我的程序字符乱码了
  • cpp开发中源代码文件编码的一次梳理和思考
  • 来探讨一下在面对跨平台开发的时候该如何选择文件编码 UTF-8 With BOM ; UTF-8 ; GB2312/GBK
  • Windows/linux终端中以及窗口标题如何正确显示中文

2.cpp程序中可以出现哪些字符?

ref link: https://learn.microsoft.com/en-us/cpp/cpp/character-sets?view=msvc-150

Basic source character set

The C++ standard specifies a basic source character set that may be used in source files. To represent characters outside of this set, additional characters can be specified by using a universal character name. The MSVC implementation allows additional characters. The basic source character set consists of 96 characters that may be used in source files. This set includes the space character, horizontal tab, vertical tab, form feed and new-line control characters, and this set of graphical characters:

a b c d e f g h i j k l m n o p q r s t u v w x y z

A B C D E F G H I J K L M N O P Q R S T U V W X Y Z

0 1 2 3 4 5 6 7 8 9

_ { } [ ] # ( ) < > % : ; . ? * + - / ^ & | ~ ! = , \ " '

翻译:

C++ 标准指定可在源文档中使用的基本源字符集。若要表示此集合之外的字符,可以使用通用字符名称指定其他字符。MSVC 实现允许使用其他字符。基本源字符集由 96 个字符组成,可用于源代码文档。这组包括空格字符、水平制表符、垂直制表符、换页符和换行符控制字符,以及这组图形字符:

Execution character sets

The execution character sets represent the characters and strings that can appear in a compiled program. These character sets consist of all the characters permitted in a source file, and also the control characters that represent alert, backspace, carriage return, and the null character. The execution character set has a locale-specific representation.

翻译:

执行字符集表示可以出现在已编译程序中的字符和字符串。 这些字符集由源文档中允许的所有字符组成,以及表示警告、退格、回车和空字符的控制字符。执行字符集具有特定于语言环境的表示。

从这里我们得知:与源代码文档中的字符和语言环境的有关

3.windows下MSVC编译器提供了如下的编译选项

  • /utf-8 Specifies both the source character set and the execution character set as UTF-8.
  • /source-charset This option lets you specify the source character set for your executable.
  • /execution-charset This option lets you specify the execution character set for your executable.

注意加粗黑体, for your executable

/utf-8

You can use the /utf-8 option to specify both the source and execution character sets as encoded by using UTF-8. It's equivalent to specifying /source-charset:utf-8 /execution-charset:utf-8 on the command line.

Any of these options also enables the /validate-charset option by default. For a list of supported code page identifiers and character set names, see code-page-identifiers.

By default, Visual Studio detects a byte-order mark to determine if the source file is in an encoded Unicode format, for example, UTF-16 or UTF-8. If no byte-order mark is found, it assumes that the source file is encoded in the current user code page, unless you've specified a code page by using /utf-8 or the /source-charset option. Visual Studio allows you to save your C++ source code in any of several character encodings. For information about source and execution character sets, see Character sets in the language documentation.

翻译

/utf-8 选项 等价于 /source-charset:utf-8 + execution-charset:utf-8

我们可以指定任一有效的 /validate-charset选项, 支持的有:code-page-identifiers

默认情况下,VS会检测字节顺序标记, 以确定源文件是否采用编码的 Unicode 格式,例如 UTF-16 或 UTF-8。

如果没有找到字节顺序标记,则假定源文件是在当前用户代码页中编码的(中文环境下的电脑就会把源代码文件当作gb2312编码的文件来处理),除非使用了选项 /utf-8 或者/source-charset 指定代码页。 VS允许把C++源代码保存在几种字符编码中的任何一种中。(用高级保存选项设置) 有关源和执行字符集的信息, 看Character sets

/source-charset

在源文件包含基本源字符集未表示的字符时,可以使用 /source-charset 选项指定要使用的扩展源字符集

源字符集是用于解释程序源文本的编码。 它转换为编译前用作预处理阶段输入的内部表示形式

然后,内部表示形式将转换为执行字符集,以在可执行文件中存储字符串和字符值

可以使用 IANAISO 字符集名称,也可以使用点 (.),后跟指定要使用的字符集代码页标识符的 3-5 小数位数。 有关受支持的代码页标识符和字符集名称的列表,请参阅代码页标识符

默认情况下,Visual Studio 会检测字节顺序标记,以确定源文件是否采用编码的 Unicode 格式,例如 UTF-16 或 UTF-8。 如果未找到字节顺序标记,则假定源文件在当前用户代码页中编码,除非使用 /source-charset 或 /utf-8 选项指定字符集名称或代码页。 Visual Studio 允许将 C++ 源代码保存在任意几个字符编码中。 有关源字符集和执行字符集的详细信息,请参阅语言文档中的字符集。

/execution-charset

可以使用 /execution-charset 选项来指定执行字符集。 执行字符集是一种编码,用于在所有预处理步骤之后输入到编译阶段的程序文本

此字符集用于编译代码中任何字符串或字符文字的内部表示

设置此选项以指定在源文件包含在基本执行字符集中无法表示的字符时使用的扩展执行字符集。

可以使用 IANA 或 ISO 字符集名称,也可以使用点 (.),后跟指定要使用的字符集代码页标识符的 3-5 小数位数。 有关受支持的代码页标识符和字符集名称的列表,请参阅代码页标识符

4.Window下文件编码和MSVC编译选项的思考

从上面的参考我们可以得知,VS通过byte-order mark(BOM)来探测源代码文件编码是否为Unicode编码, 探测不到就用你语言区域code-page-identifiers来作为 /source-charsetexecution-charset的值。(也就是缺省则是按照系统当前locale的编码,我当前的win10是中文简体)

windows10中文简体系统语言区域下是 936代码页 gb2312 ANSI/OEM Simplified Chinese (PRC, Singapore); Chinese Simplified (GB2312)

后面我在测试过程中发现,只要没有指定选项MSVC编译器选项/source-charsetexecution-charset。有自己的默认行为(暂时没看到值在哪里设置上去的).(测试VS版本为:VS2017 15.9.54)

中文环境下的默认行为相等于默认增加了下面两个选项 /source-charset:gb2312execution-charset:gb2312

假设我的源代码编码为UTF-8. VS因为探测不到BOM,会把源代码文件当作.936代码页的文件编码,也就是gb2312来处理,编译选项默认行为类似 /source-charset:gb2312execution-charset:gb2312

假设我的源代码编码为UTF-8 With BOM. VS因为探测到BOM,则把源代码当作UTF-8 With BOM处理。注意因为源代码是UTF-8 With BOM,编译器行为并没有表现为 /source-charset:utf-8。而是编译选项默认行为类似 execution-charset:gb2312。 TODO:这也是比较疑惑的地方,也可能是VS下UTF-8 With BOMUTF-8代码页都是65001相同的缘故吗?探测到源代码是Unicode编码就只默认设置execution-charset:gb2312

5.在实践中去验证问题

UTF-8 No BOM

文件编码:UTF-8 No BOM

测试程序

#include <string>
#include <iostream>
#include <opencv2/core.hpp>
#include <opencv2/imgproc.hpp>
#include <opencv2/highgui.hpp>

const char* FILE_PATH = "d:\\capture_main.jpg";

using std::string;
using std::cout;
using std::endl;

int main() 
{
	string en_str{"hello"};
	string zh_str{"你好"};
	cout << en_str 
		<< " en_str(hello) size=" << en_str.size() 
		<< " strlen(en_str.data())=" << strlen(en_str.data()) << endl;
	cout << zh_str 
		<<" zh_str(你好) size=" << zh_str.size() 
		<< " strlen(en_str.data())=" <<  strlen(zh_str.data()) << endl;
	
	// 需要说明的是 文件编码本身就是UTF-8时候,u8前缀可有可无,效果一样
	// 可以查看内存中zh_str 和 u8_zh_str 这里还是写上u8前缀
	string u8_en_str = u8"hello";
	string u8_zh_str = u8"你好";
	cout << u8_en_str 
		<< " add u8 prefix u8_en_str(hello) size=" << en_str.size() 
		<< " strlen(u8_en_str.data())=" << strlen(u8_en_str.data()) << endl;
	cout << u8_zh_str 
		<<" add u8 prefix u8_zh_str(你好) size=" << en_str.size() 
		<< " strlen(u8_zh_str.data())=" << strlen(u8_zh_str.data()) << endl;
  
  std::string win_name(zh_str);
  // std::string win_name(u8_zh_str);

	// 载入图像
  cv::Mat src_image = cv::imread(FILE_PATH);
	// window
	cv::namedWindow(win_name, cv::WINDOW_KEEPRATIO | cv::WND_PROP_ASPECT_RATIO);
  cv::imshow(win_name, src_image);
  
  // 等待任意键按下
  cv::waitKey(0);

	//getchar();

	return 0;
}

无手动增加MSVC编译选项

实验1: std::string win_name(zh_str); 作为窗口名字 结果:窗口文字乱码

实验2: std::string win_name(u8_zh_str); 作为窗口名字 结果:窗口文字乱 (乱码文字上面不一样)

注: 源代码是UTF-8 No BOM,却没有增加编译选项,VS探测不到文件编码时将当作当前代码页处理,这里为936. 没有指定编译选项相当于编译选项为: /source-charset:gbk /execution-charset:gbk

想要正确解析源代码文件就需要增加 /source-charset:utf-8

编译选项 /source-charset:utf-8

实验1: std::string win_name(zh_str); 作为窗口名字 结果:窗口文字正常

实验2: std::string win_name(u8_zh_str); 作为窗口名字 结果:窗口文字乱码

增加MSVC编译选项 /source-charset:utf-8 /execution-charset:gbk

选项里面的gbk换成gb2312也行

实验1: std::string win_name(zh_str); 作为窗口名字 结果:窗口文字正常

实验2: std::string win_name(u8_zh_str); 作为窗口名字 结果:窗口文字乱码

问题发现:从这上面这是个6个实验来看,我们验证了 /source-charset /execution-charset缺省状态会使用当前系统语言区域代码页作为值

增加MSVC编译选项/utf-8

/utf-8 相当于 /source-charset:utf-8 /execution-charset:utf-8

实验1: std::string win_name(zh_str); 作为窗口名字 结果:窗口文字乱码

实验2: std::string win_name(u8_zh_str); 作为窗口名字 结果:窗口文字乱 (乱码文字和上面一样,都是浣犲ソ)

UTF-8 No BOM 和 增加编码转换函数

#include <iconv.h>
#include <string>
#include <iostream>
#include <opencv2/core.hpp>
#include <opencv2/imgproc.hpp>
#include <opencv2/highgui.hpp>

const char* FILE_PATH = "d:\\capture_main.jpg";

using std::string;
using std::cout;
using std::endl;

std::string code_convert(const char *source_charset, const char *to_charset, const std::string& sourceStr);
std::string GbkToUtf8(const std::string& strGbk);
std::string Utf8ToGbk(const std::string& strUtf8);
std::string GbkToUnicode(const std::string& strGbk);
std::string UnicodeToGbk(const std::string& strGbk);

int main() 
{
	string en_str{"hello"};
	string zh_str{"你好"};
	cout << en_str 
		<< " en_str(hello) size=" << en_str.size() 
		<< " strlen(en_str.data())=" << strlen(en_str.data()) << endl;
	cout << zh_str 
		<<" zh_str(你好) size=" << zh_str.size() 
		<< " strlen(en_str.data())=" <<  strlen(zh_str.data()) << endl;
	
	// 需要说明的是 文件编码本身就是UTF-8时候,u8前缀可有可无,效果一样
	// 可以查看内存中zh_str 和 u8_zh_str 这里还是写上u8前缀
	string u8_en_str = u8"hello";
	string u8_zh_str = u8"你好";
	cout << u8_en_str 
		<< " add u8 prefix u8_en_str(hello) size=" << en_str.size() 
		<< " strlen(u8_en_str.data())=" << strlen(u8_en_str.data()) << endl;
	cout << u8_zh_str 
		<<" add u8 prefix u8_zh_str(你好) size=" << en_str.size() 
		<< " strlen(u8_zh_str.data())=" << strlen(u8_zh_str.data()) << endl;
	
	 // std::string win_name(zh_str);
   // std::string win_name(u8_zh_str);
  
  std::string win_name = Utf8ToGbk(zh_str);
  // std::string win_name = Utf8ToGbk(u8_zh_str);
  
  cout <<"UTF8toGBK= " << win_name << endl;
	//
	// 载入图像
    cv::Mat src_image = cv::imread(FILE_PATH);
	  cv::namedWindow(win_name, cv::WINDOW_KEEPRATIO | cv::WND_PROP_ASPECT_RATIO);
    cv::imshow(win_name, src_image);
    // 等待任意键按下
    cv::waitKey(0);

	//getchar();
	return 0;
}


//编码转换,source_charset是源编码,to_charset是目标编码
std::string code_convert(const char *source_charset, const char *to_charset, const std::string& sourceStr) //sourceStr是源编码字符串
{
	iconv_t cd = iconv_open(to_charset, source_charset);//获取转换句柄,void*类型
	if (cd == 0)
		return "";
 
    size_t inlen = sourceStr.size();
	char* inbuf = (char*)sourceStr.c_str();
	size_t MAX_LEN = 1024; // 最大字节
	char *outbuf = new char[MAX_LEN];
	memset(outbuf, 0, MAX_LEN);
 
	char *poutbuf = outbuf; //多加这个转换是为了避免iconv这个函数出现char(*)[255]类型的实参与char**类型的形参不兼容
	if (iconv(cd, &inbuf, &inlen, &poutbuf,&MAX_LEN) == -1)
		return "";
 
    std::string strTemp(outbuf);//此时的strTemp为转换编码之后的字符串
	iconv_close(cd);
	return strTemp;
}

//gbk转UTF-8  
std::string GbkToUtf8(const std::string& strGbk)// 传入的strGbk是GBK编码 
{
	return code_convert("gb2312", "utf-8",strGbk);
}
 
//UTF-8转gbk
std::string Utf8ToGbk(const std::string& strUtf8)
{
	return code_convert("utf-8", "gb2312", strUtf8);
}
 
//gbk转unicode,"UCS-2LE"代表unicode小端模式
std::string GbkToUnicode(const std::string& strGbk)// 传入的strGbk是GBK编码 
{
	return code_convert("gb2312", "UCS-2LE",strGbk);
}
 
//unicode转gbk
std::string UnicodeToGbk(const std::string& strGbk)// 传入的strGbk是GBK编码 
{
	return code_convert("UCS-2LE", "gb2312",strGbk);
}

编译选项:/utf-8

实验1 窗口名:std::string win_name = Utf8ToGbk(zh_str); 结果: 窗口文字中文不乱码 正常

实验2 窗口名:std::string win_name = Utf8ToGbk(u8_zh_str); 结果: 窗口文字中文不乱码 正常

编译选项:/source-charset:utf-8

注: 中文环境 /source-charset:utf-8 等价于 /source-charset:utf-8 /execution-charset:gbk

实验1: 窗口名:std::string win_name = Utf8ToGbk(zh_str); 结果: 程序crash

原因在这句转码处理结果为空 std::string win_name = Utf8ToGbk(zh_str); VS查看内存信息,zh_str在内存种已经是你好,说明这里被gbk编码的。 加不加u8的区别出来了!(Windows让问题暴漏出来了,Linux下编码统一UTF-8隐藏了这些潜在的问题)。 可以把编码转换去掉来验证

// std::string win_name = Utf8ToGbk(zh_str);
std::string win_name(zh_str); // 去掉编码直接作为窗口名字的参数,不闪退!
//...
#include <iconv.h>
#include <string>
#include <iostream>
#include <opencv2/core.hpp>
#include <opencv2/imgproc.hpp>
#include <opencv2/highgui.hpp>

const char* FILE_PATH = "d:\\capture_main.jpg"; // 2560*1920 测试大图像下的那么Window的参数

using std::string;
using std::cout;
using std::endl;

std::string code_convert(const char *source_charset, const char *to_charset, const std::string& sourceStr);
std::string GbkToUtf8(const std::string& strGbk);
std::string Utf8ToGbk(const std::string& strUtf8);
std::string GbkToUnicode(const std::string& strGbk);
std::string UnicodeToGbk(const std::string& strGbk);



int main()
{
	string en_str{ "hello" };
	string zh_str{ "你好" };
	cout << en_str
		<< " en_str(hello) size=" << en_str.size()
		<< " strlen(en_str.data())=" << strlen(en_str.data()) << endl;
	cout << zh_str
		<< " zh_str(你好) size=" << zh_str.size()
		<< " strlen(en_str.data())=" << strlen(zh_str.data()) << endl;

	string u8_en_str = u8"hello";
	string u8_zh_str = u8"你好";
	cout << u8_en_str
		<< " add u8 prefix u8_en_str(hello) size=" << en_str.size()
		<< " strlen(u8_en_str.data())=" << strlen(u8_en_str.data()) << endl;
	cout << u8_zh_str
		<< " add u8 prefix u8_zh_str(你好) size=" << en_str.size()
		<< " strlen(u8_zh_str.data())=" << strlen(u8_zh_str.data()) << endl;
	//
	// std::string win_name(zh_str);
	// std::string win_name(u8_zh_str);

	/// 增加编码转换函数
	// zh_str
	// std::string win_name = Utf8ToGbk(zh_str);
	std::string win_name(zh_str); // 测试猜想
	
	// u8_zh_str
	std::string win_name = Utf8ToGbk(u8_zh_str);
	cout << "UTF8toGBK= " << win_name << endl;


	// 载入图像
	cv::Mat src_image = cv::imread(FILE_PATH);
	cv::namedWindow(win_name, cv::WINDOW_KEEPRATIO | cv::WND_PROP_ASPECT_RATIO);
	cv::imshow(win_name, src_image);

	// 等待任意键按下
	cv::waitKey(0);

	//getchar();
	return 0;
}


//编码转换,source_charset是源编码,to_charset是目标编码
std::string code_convert(const char *source_charset, const char *to_charset, const std::string& sourceStr) //sourceStr是源编码字符串
{
	iconv_t cd = iconv_open(to_charset, source_charset);//获取转换句柄,void*类型
	if (cd == 0)
		return "";

	size_t inlen = sourceStr.size();
	char* inbuf = (char*)sourceStr.c_str();
	//char outbuf[255];//这里实在不知道需要多少个字节,这是个问题
	size_t MAX_LEN = 1024;
	char *outbuf = new char[MAX_LEN];
	memset(outbuf, 0, MAX_LEN);

	char *poutbuf = outbuf; //多加这个转换是为了避免iconv这个函数出现char(*)[255]类型的实参与char**类型的形参不兼容
	if (iconv(cd, &inbuf, &inlen, &poutbuf, &MAX_LEN) == -1)
		return "";

	std::string strTemp(outbuf);//此时的strTemp为转换编码之后的字符串
	iconv_close(cd);
	return strTemp;
}

//gbk转UTF-8  
std::string GbkToUtf8(const std::string& strGbk)// 传入的strGbk是GBK编码 
{
	return code_convert("gb2312", "utf-8", strGbk);
}

//UTF-8转gbk
std::string Utf8ToGbk(const std::string& strUtf8)
{
	return code_convert("utf-8", "gb2312", strUtf8);
}

//gbk转unicode,"UCS-2LE"代表unicode小端模式
std::string GbkToUnicode(const std::string& strGbk)// 传入的strGbk是GBK编码 
{
	return code_convert("gb2312", "UCS-2LE", strGbk);
}

//unicode转gbk
std::string UnicodeToGbk(const std::string& strGbk)// 传入的strGbk是GBK编码 
{
	return code_convert("UCS-2LE", "gb2312", strGbk);
}

实验2 窗口名:std::string win_name = Utf8ToGbk(u8_zh_str); 结果: 窗口文字中文不乱码 正常

UTF-8 With BOM

编译选项: 无

(UTF-8 With BOM编码的情况下,没有增加选项则等价 /execution-charset:gbk)

实验1: std::string win_name(zh_str); 作为窗口名字 结果:窗口文字正常不乱码

实验2: std::string win_name(u8_zh_str); 作为窗口名字 结果:窗口文字乱码

编译选项: /execution-charset:utf-8

实验1: std::string win_name(zh_str); 作为窗口名字 结果:窗口文字乱码

实验2: std::string win_name(u8_zh_str); 作为窗口名字 结果:窗口文字乱码

UTF-8 With BOM 和 增加编码转换函数

编译选项: 无

(UTF-8 With BOM编码的情况下,没有增加选项则等价 /execution-charset:gbk)

实验1: 窗口名:std::string win_name = Utf8ToGbk(zh_str); 结果: 程序crash

原因和上面的 文件编码utf-8 no bom /source-charset:utf-8 /execution-charset:gbk组合的情况一样修复方式一样

// std::string win_name = Utf8ToGbk(zh_str);
std::string win_name(zh_str); // 去掉编码直接作为窗口名字的参数,不闪退!
//...

猜想: 文件编码使用UTF-8 With BOM, 但是没有增加选项选项,则MSVC如果没有指定编译选项的情况下,则会使用文件编码 + 语言环境的Execution character sets

#include <iconv.h>
#include <string>
#include <iostream>
#include <opencv2/core.hpp>
#include <opencv2/imgproc.hpp>
#include <opencv2/highgui.hpp>

const char* FILE_PATH = "d:\\capture_main.jpg"; // 2560*1920 测试大图像下的那么Window的参数

using std::string;
using std::cout;
using std::endl;

std::string code_convert(const char *source_charset, const char *to_charset, const std::string& sourceStr);
std::string GbkToUtf8(const std::string& strGbk);
std::string Utf8ToGbk(const std::string& strUtf8);
std::string GbkToUnicode(const std::string& strGbk);
std::string UnicodeToGbk(const std::string& strGbk);



int main()
{
	string en_str{ "hello" };
	string zh_str{ "你好" };
	cout << en_str
		<< " en_str(hello) size=" << en_str.size()
		<< " strlen(en_str.data())=" << strlen(en_str.data()) << endl;
	cout << zh_str
		<< " zh_str(你好) size=" << zh_str.size()
		<< " strlen(en_str.data())=" << strlen(zh_str.data()) << endl;

	string u8_en_str = u8"hello";
	string u8_zh_str = u8"你好";
	cout << u8_en_str
		<< " add u8 prefix u8_en_str(hello) size=" << en_str.size()
		<< " strlen(u8_en_str.data())=" << strlen(u8_en_str.data()) << endl;
	cout << u8_zh_str
		<< " add u8 prefix u8_zh_str(你好) size=" << en_str.size()
		<< " strlen(u8_zh_str.data())=" << strlen(u8_zh_str.data()) << endl;
	//
	// std::string win_name(zh_str);
	// std::string win_name(u8_zh_str);

	/// 增加编码转换函数
	// zh_str
	// std::string win_name = Utf8ToGbk(zh_str);
	std::string win_name(zh_str); // 验证猜想
	
	// u8_zh_str
	std::string win_name = Utf8ToGbk(u8_zh_str);
	cout << "UTF8toGBK= " << win_name << endl;


	// 载入图像
	cv::Mat src_image = cv::imread(FILE_PATH);
	cv::namedWindow(win_name, cv::WINDOW_KEEPRATIO | cv::WND_PROP_ASPECT_RATIO);
	cv::imshow(win_name, src_image);

	// 等待任意键按下
	cv::waitKey(0);

	//getchar();
	return 0;
}


//编码转换,source_charset是源编码,to_charset是目标编码
std::string code_convert(const char *source_charset, const char *to_charset, const std::string& sourceStr) //sourceStr是源编码字符串
{
	iconv_t cd = iconv_open(to_charset, source_charset);//获取转换句柄,void*类型
	if (cd == 0)
		return "";

	size_t inlen = sourceStr.size();
	char* inbuf = (char*)sourceStr.c_str();
	//char outbuf[255];//这里实在不知道需要多少个字节,这是个问题
	size_t MAX_LEN = 1024;
	char *outbuf = new char[MAX_LEN];
	memset(outbuf, 0, MAX_LEN);

	char *poutbuf = outbuf; //多加这个转换是为了避免iconv这个函数出现char(*)[255]类型的实参与char**类型的形参不兼容
	if (iconv(cd, &inbuf, &inlen, &poutbuf, &MAX_LEN) == -1)
		return "";

	std::string strTemp(outbuf);//此时的strTemp为转换编码之后的字符串
	iconv_close(cd);
	return strTemp;
}

//gbk转UTF-8  
std::string GbkToUtf8(const std::string& strGbk)// 传入的strGbk是GBK编码 
{
	return code_convert("gb2312", "utf-8", strGbk);
}

//UTF-8转gbk
std::string Utf8ToGbk(const std::string& strUtf8)
{
	return code_convert("utf-8", "gb2312", strUtf8);
}

//gbk转unicode,"UCS-2LE"代表unicode小端模式
std::string GbkToUnicode(const std::string& strGbk)// 传入的strGbk是GBK编码 
{
	return code_convert("gb2312", "UCS-2LE", strGbk);
}

//unicode转gbk
std::string UnicodeToGbk(const std::string& strGbk)// 传入的strGbk是GBK编码 
{
	return code_convert("UCS-2LE", "gb2312", strGbk);
}

程序正常运行,窗口中文也显示正常!

另外可以在编译选项中添加 /execution-charset:gbk 验证我们的猜想。

我们得出一个总要的结论

文件编码为UTF-8 With BOM + 添加编译选项 /execution-charset:gbk 无需增加编码转换函数可以实现Windows下窗口中文的正常显示。

hello en_str(hello) size=5 strlen(en_str.data())=5
你好 zh_str(你好) size=4 strlen(en_str.data())=4
hello add u8 prefix u8_en_str(hello) size=5 strlen(u8_en_str.data())=5
浣犲ソ add u8 prefix u8_zh_str(你好) size=5 strlen(u8_zh_str.data())=6

浣犲ソ 是因为在内存数据是UTF-8 With BOM编码的字符串的直接在windows的GBK终端中打印肯定是不行的。 注意看 zh_str(你好) u8_zh_str(你好) 这两个硬编码的字符串,都是UTF-8 With BOM硬编码的字符串,在windows的GBK终端中打印正常。

这就是 文件编码为UTF-8 With BOM + 添加编译选项 /execution-charset:gbk 的带来的能力。

实验2 窗口名:std::string win_name = Utf8ToGbk(u8_zh_str); 结果: 转换成功,窗口中文正常

编译选项 /execution-charset:utf-8

实验1 窗口名:std::string win_name = Utf8ToGbk(zh_str); 结果: 窗口中文正常 不乱码

实验2 窗口名: std::string win_name = Utf8ToGbk(u8_zh_str); 结果: 窗口中文正常 不乱码

6.跨win/linux项目的编码选择和编译选项设置该如何选?

首选: UTF-8 With BOM

:如果需要不增加字符串编码转换函数的情况下在cmd窗口标题显示中文,或者要打印硬编码的中文,还需要在VS下设置MSVC编译选项:/execution-charset:gbk

为什么还需要/execution-charset:gbk?

Windows下文件编码虽然使用了utf-8 with bom,但是由于没有增加编译选项/execution-charset 选项,源代码文件编码能识别为UTF-8(/source-charset:这部分不用关心), 但是由于没有指定/execution-charset,MSVC的处理是如果没有指定则会应用当前系统代码页, 源代码中没有显示使用u8前缀字符串字面量仍然会使用系统当前代码页编码字符串(Windows下这种操作,我认为很坑的事情)。

所以如果你需要明确表示一个字符串字面量是UTF-8编码的,最好的方法就是使用u8前缀。

基于CMake项目增加如下配置

if(MSVC)
  set(CMAKE_C_FLAGS "${CMAKE_C_FLAGS} /execution-charset:gbk")
  set(CMAKE_CXX_FLAGS "${CMAKE_CXX_FLAGS} /execution-charset:gbk")
endif()

如果不涉及到中文,其实,编码方案方案继续用UTF-8没问题,就是需要增加MSVC编译选项 /utf-8 (VS2015起)。

涉及中文

另外方案就是:文件编码用UTF-8,增加MSVC编译选项 /source-charset:utf-8 /execution-charset:gbk。 但是UTF-8编码如果在Windows下不带BOM,编译项目经常看到大量警告。

如果非要用UTF-8, 并且不想引入GBK的字符集,则增加 /utf-8 选项。 如果窗口标题要显示中文,或者终端中需要显示中文,windows下需要特殊处理,需要对字符串进行Utf8ToGbk的编码转换; Linux下不需要,默认就是UTF-8. 个人见解:这个方案比较简单且清晰,源代码就使用UTF-8,然后VS下设置MSVC的/utf-8 编译选项,无非就是Windows下需要编码转换, 其实做我觉得更清晰,无非就是不默认使用UTF-8的平台需要用编码转换特殊处理下

About

thinking in file encoding for cpp

Resources

License

Stars

Watchers

Forks

Releases

No releases published

Packages

No packages published

Languages