VC++下处理UTF8编码的字符串

在windows下打开一个记事本，保存文件，下面有四种编码选择。ANSI，也就是多字节字符集，在VC中也就是CHAR(char)字符串。Unicode，就是UTF16，在VC中也就是WCHAR（wchar_t)字符串。Unicode big endian ，就是UTF32，这种编码用的比较少。UTF8，网页上几乎都是用UTF8，UTF8用1-4个字节来编码所有的字符，英文只需要1个 字节，中文需要3-4个字节。比起UTF16来说，UTF8这样可以尽可能的节省网络带宽，因为在网络上传输的字符，大部分以英文为主。UTF16至少是2个字节，部分字符4个字节。

如果我们写一个VC程序，从获取HTML网页数据，这些数据的编码是UTF8的，获取到我们VC程序中的CHAR字符数组中时就会发现，英文可以正常显示，中文全部乱码了。因为我们的CHAR型字符串用的是ANSI编码。要想把UTF8转换为ANSI，一般有两种方法。一种是手工写代码实现，百度上搜索可以发现很多资料，透彻了解这些字符集编码后，可以手工来实现转换，网上也有很多别人写好的转换函数。一种方法就是借助第三方函数库。由于我们在windows平台下编写程序，我们可以使用API函数来转换MultiByteToWideChar和WideCharToMultiByte。使用这个函数，我们得进行两次转换，先用MultiByteToWideChar把UTF8编码的CHAR字符串转换成WCHAR字符串，第一个参数要注明我们要转换的代码页为CP_UTF8，即UTF8的意思。然后用WideCharToMultiByte吧WCHAR字符串转换成CHAR字符串，第一个参数使用936，936代码页的意思是简体中文。有关代码页的知识可以百度百科一下。

下面贴出我写的两个ANSI与UTF8互转的函数。参数为MFC中的CString字符串，如果要传入C样式的字符数组型字符串，只需稍加修改即可。

[cpp] view plaincopy

1. //UTF8转ANSI  
2. void UTF8toANSI(CString &strUTF8)  
3. {  
4.     //获取转换为多字节后需要的缓冲区大小，创建多字节缓冲区  
5.     UINT nLen = MultiByteToWideChar(CP_UTF8,NULL,strUTF8,-1,NULL,NULL);  
6.     WCHAR *wszBuffer = new WCHAR[nLen+1];  
7.     nLen = MultiByteToWideChar(CP_UTF8,NULL,strUTF8,-1,wszBuffer,nLen);  
8.     wszBuffer[nLen] = 0;  
9.   
10.     nLen = WideCharToMultiByte(936,NULL,wszBuffer,-1,NULL,NULL,NULL,NULL);  
11.     CHAR *szBuffer = new CHAR[nLen+1];  
12.     nLen = WideCharToMultiByte(936,NULL,wszBuffer,-1,szBuffer,nLen,NULL,NULL);  
13.     szBuffer[nLen] = 0;  
14.       
15.     strUTF8 = szBuffer;  
16.     //清理内存  
17.     delete []szBuffer;  
18.     delete []wszBuffer;  
19. }  

[cpp] view plaincopy

1. //ANSI转UTF8  
2. void ANSItoUTF8(CString &strAnsi)  
3. {  
4.     //获取转换为宽字节后需要的缓冲区大小，创建宽字节缓冲区，936为简体中文GB2312代码页  
5.     UINT nLen = MultiByteToWideChar(936,NULL,strAnsi,-1,NULL,NULL);  
6.     WCHAR *wszBuffer = new WCHAR[nLen+1];  
7.     nLen = MultiByteToWideChar(936,NULL,strAnsi,-1,wszBuffer,nLen);  
8.     wszBuffer[nLen] = 0;  
9.     //获取转为UTF8多字节后需要的缓冲区大小，创建多字节缓冲区  
10.     nLen = WideCharToMultiByte(CP_UTF8,NULL,wszBuffer,-1,NULL,NULL,NULL,NULL);  
11.     CHAR *szBuffer = new CHAR[nLen+1];  
12.     nLen = WideCharToMultiByte(CP_UTF8,NULL,wszBuffer,-1,szBuffer,nLen,NULL,NULL);  
13.     szBuffer[nLen] = 0;  
14.       
15.     strAnsi = szBuffer;  
16.     //内存清理  
17.     delete []wszBuffer;  
18.     delete []szBuffer;  
19. }  

 

值得注意的是，UTF8编码的字符串一般要将其保存在CHAR（char）型数组里，而不保存在WCHAR（wchar_t）型数组里。为什么呢？因为UTF8编码的字符串每个字符占1-4个字节，有的字符只占1个字节，应该用CHAR型数组来保存。而WCHAR的话，一个WCHAR就占两个字节，对于只需要一个字节的字符，就会出问题。