Windows字符和字符串处理

1.简介

一直以来，我们将文本字符串编码成一组以0结尾的单字节字符，调用strlen，它就会返回“以0结尾的一个ANSI单字节字符数组”的字符数。

但是，某些语言文字系统（如韩文）的字符集有非常多的符号，一个字节最多能表示256个符号，这是远远不够的；为了支持这些语言文字系统，双字节字符集出现了。双字节字符集中，一个字符串中的每个字符都由1个或2个字节组成。

2.Unicode编码

UTF全称是Unicode Transformation Format（Unicode转换格式），有以下几种格式。

UTF-8：将一些字符编码为1个字节、2个字节、3个字节、4个字节，相当流行的编码格式。
UTF-16：将每个字符编码为2个字节。
UTF-32：将每个字符都编码为4个字节。

3.ANSI字符和Unicode字符

C语言用char数据类型表示一个8位的ANSI字符。如下：

char c = 'A';char buffer[100] = "string";

微软的C/C++编译器定义了一个内建的数据类型wchar_t，表示一个16位的Unicode（UTF-16）字符。默认情况下，在vs中新建一个项目时，编译器会打开/Zc:wchar_t的开关，我们才能够正常使用这个数据类型。

声明Unicode字符和字符串的方法。如下：

wchar_t c = L'A';wchar_t buffer[100] = L"string";

字符串之前的大写字母L通知编译器该字符串应当编译为一个Unicode字符串。

为了与C语言区分，Windows希望定义了自己的数据类型。如下所示：

typedef char CHAR;typedef wchar_t WCHAR;    // wc,   16-bit UNICODE character

除此之外，还定义了大量方便的数据类型。如下所示：

typedef CHAR *PCHAR, *PSTR;
typedef CONST CHAR *PCSTR;typedef WCHAR *PWCHAR, *PWSTR;
typedef CONST WCHAR *PCWSTR;

另外，在写代码的时候，可以使用ANSI或Unicode字符/字符串使能够通过编译。定义了以下类型的宏：

#ifdef  UNICODE                     // r_winnttypedef WCHAR TCHAR, *PTCHAR，PTSTR;
typedef CONST WCHAR *PCTSTR;#define __TEXT(quote) L##quote      // r_winnt#elsetypedef CHAR TCHAR, *PTCHAR，PTSTR;
typedef CONST CHAR *PCTSTR;#define __TEXT(quote) quote      // r_winnt#endif /* !_TCHAR_DEFINED */#define TEXT(quote) __TEXT(quote)

利用这些类型和宏，无论使用ANSI还是Unicode字符，都能通过编译。

TCHAR c = TEXT('A');TCHAR buffer[100] = TEXT("string");

4.Windows中的Unicode函数和ANSI函数

如果一个Windows函数的参数列表中有字符串，则通常有两个版本。例如：CreateFile

WINBASEAPI
HANDLE
WINAPI
CreateFileA(_In_ LPCSTR lpFileName,_In_ DWORD dwDesiredAccess,_In_ DWORD dwShareMode,_In_opt_ LPSECURITY_ATTRIBUTES lpSecurityAttributes,_In_ DWORD dwCreationDisposition,_In_ DWORD dwFlagsAndAttributes,_In_opt_ HANDLE hTemplateFile);WINBASEAPI
HANDLE
WINAPI
CreateFileW(_In_ LPCWSTR lpFileName,_In_ DWORD dwDesiredAccess,_In_ DWORD dwShareMode,_In_opt_ LPSECURITY_ATTRIBUTES lpSecurityAttributes,_In_ DWORD dwCreationDisposition,_In_ DWORD dwFlagsAndAttributes,_In_opt_ HANDLE hTemplateFile);

CreateFileA：接受ANSI字符串。

CreateFileW：接受Unicode字符串。W代表wide

返回字符串长度的函数：

#ifdef UNICODE
#define _tcslen wcslen
#else
#define _tcslen strlen
#endif

5.新的安全字符串函数

现有的字符串处理函数如_tcscpy等已被标记位废弃不用。现在它们都对应了一个新版本的函数，前面名称相同，最后加了一个_s后缀。示例：

    TCHAR before[3] = { TEXT('A'),TEXT('B') ,'\0'};TCHAR after[3] = { TEXT('-'),TEXT('-') ,'\0'};errno_t result = _tcscpy_s(after, _countof(after), before);

6.处理字符串的函数

除了新的安全字符串函数，C运行库还新增了一些函数，用于在执行字符串处理时提供更多控制。自然，这些函数提供了ANSI（A）版本和Unicode（W）版本。

    StringCchCat(PTSTR pszDest, size_t cchDest, PTSTR pszSrc)StringCchCopy(PTSTR pszDest, size_t cchDest, PTSTR pszSrc)

在这些方法中，都含有一个“Cch”，这表示Count of characters，即字符数；通常使用_countof来获取值。

另外还有一系列的名称中含有“Cb”的函数，比如StringCbCat、StringCbCopy，这些函数要求用字节数来指定大小，通常使用sizeof来获取值。

还有一些末尾加了Ex的函数，表示可扩展的版本，例如StringCchCatEx、StringCchCopyEx。

7.推荐字符和字符串的处理方式

最好将应用程序转换为支持Unicode的形式。

用通用的数据类型（TCHAR/PTSTR）表示文本字符和字符串。
用BYTE和PBYTE表示字节、字节指针和数据缓冲区。
用TEXT或_T宏来表示字面常量字符和字符串。
修改与字符串有关的计算。例如：我们需要知道缓冲区大小的字符数，而不是字节数，应该调用_countof(buffer)，而不是sizeof(buffer)。
执行全局替换。例如：用PTSTR替换PSTR。

以下为使用Unicode的好处：

有利于应用程序本地化。
只需发布一个二进制文件，即可支持所有语言。
提升应用程序效率，代码执行速度更快，占用内存更少。Windows内部的一切工作都是使用Unicode字符和字符串来进行的。如果使用ANSI字符和字符串，Windows就会被迫分配内存，将ANSI字符或字符串转为Unicode。
应该程序能够调用所有尚未弃用的Windows函数，因为一些Windows函数只提供处理Unicode的字符和字符串。
应用程序代码很容易与COM集成。
应用程序代码很容易与.NET Framework集成。

8.Unicode与ANSI字符串转换

//将多字节的字符串转换为宽字符字符串
MultiByteToWideChar(_In_ UINT CodePage,_In_ DWORD dwFlags,_In_NLS_string_(cbMultiByte) LPCCH lpMultiByteStr,_In_ int cbMultiByte,_Out_writes_to_opt_(cchWideChar,return) LPWSTR lpWideCharStr,_In_ int cchWideChar);//将宽字符字符串转换为多字节字符串
WideCharToMultiByte(_In_ UINT CodePage,_In_ DWORD dwFlags,_In_NLS_string_(cchWideChar) LPCWCH lpWideCharStr,_In_ int cchWideChar,_Out_writes_bytes_to_opt_(cbMultiByte,return) LPSTR lpMultiByteStr,_In_ int cbMultiByte,_In_opt_ LPCCH lpDefaultChar,_Out_opt_ LPBOOL lpUsedDefaultChar);