C++ STL IO流 与 Unicode (UTF-16 UTF-8) 的协同工作

09年研究技术的大神真的好多，本文测试有很多错误,更正后发布下(可能与编辑器相关)。

file.imbue(locale(file.getloc(), new codecvt_utf8<wchar_t, 0x10FFFF, consume_header>));

读取UTF-8编码的文件：

#include<string>
#include<iostream>
#include<locale>
#include <fstream>
#include <codecvt>
#include <io.h>
#include <fcntl.h>
using namespace std;

int main()
{
	wstring wstr;

	wifstream file("test.txt");
	file.imbue(locale(file.getloc(), new codecvt_utf8<wchar_t, 0x10FFFF, consume_header>));

	_setmode(_fileno(stdout), _O_U8TEXT);
	//wcout.imbue(locale("chs"));//在console输出

	while (file >> wstr)
		wcout << wstr << '\n';
	file.close();
}

转载地址：

https://tadvent.wordpress.com/2009/03/07/c-stl-io%E6%B5%81-%E4%B8%8E-unicode-utf-16-utf-8-%E7%9A%84%E5%8D%8F%E5%90%8C%E5%B7%A5%E4%BD%9C/

凡用到文件读写，输入输出，就得和编码、Unicode 打交道。这系列实验来测试一下 C++ STL 的 IO流 对 ANSI 编码、Unicode 编码的支持特性，看能否找到一个自动识别编码，自动转码的解决方案。从基础开始，一步一步来：

 

平台 Win7  VS2013

 

实验 01:

#include<string>
#include<iostream>
#include<locale>
using namespace std;

int main()
{
	locale prevloc;
	locale loc("chs");
	string str1("string class");
	string str2("汉字与字符");
	wstring wstr1(L"wstring class");          //去掉L前缀则编译错误
	wstring wstr2(L"汉字与字符");

	prevloc = cout.imbue(locale(""));
	cout << "Default Locale: " << prevloc.name() << endl;
	cout << "System Locale: " << locale("").name() << endl;
	cout << "C风格字符串\n" << L"w-string\n" << str1 << '\n' << str2 << '\n' << endl;

	prevloc = wcout.imbue(loc);   //若去掉此句，则wstr2无法正常输出
	wcout << "Default Locale: " << prevloc.name().c_str() << endl;    //若不加 .c_str() 则编译错误
	wcout << "chs Locale Name: " << loc.name().c_str() << endl;
	wcout << "C-string\n" << "C风格字符串\n" << L"宽字符串\n" << wstr1 << '\n' << wstr2 << '\n' << endl;
}

输出

Default Locale: C
System Locale: Chinese (Simplified)_People's Republic of China.936
C风格字符串
00,963,004string class
汉字与字符

Default Locale: C
chs Locale Name: Chinese (Simplified)_People's Republic of China.936
C-string
C
宽字符串
wstring class
汉字与字符

请按任意键继续. . .

 

结论：

        1.cout 与 string 配合使用，wcout 与 wstring 配合使用，交错则编译错误(类型问题)

        2.wstring 初始化时需用 L"xxx" 的宽字符形式，同样 string 初始化时不能加 L 前缀

        3.默认locale ("C")下 cout 可以正常输出 C风格字符串与std::string类型，包括汉字也能正常显示

    但对 L"xxx" 宽字符串无能为力

          默认locale ("C")下 wcout 不能输出中文，包括C风格字符串（可以输出 wcout << "你好"; wcout << L"你好";不能输出）、宽字符串与std::wstring

    设定系统 locale ("chs")后，正常输出宽字符串与std::wstring，但 C风格字符串 中的汉字无法显示

 

        总之，string cout "C-style 字符串" 自成体系

                  wstring wcout L"宽字符串" 自成体系，但 wcout 要选择 locale 后才能正常输出中文(不包括C风格字符串)。

console输出包含非ASCII字符的宽字符串的方法：

1、WINAPI WriteConsoleW

2、_setmode

3、locale或者STL的imbue

 

实验 02:

#include<string>
#include<iostream>
#include<locale>
using namespace std;

int main()
{
	cout.imbue(locale(""));
	wcout.imbue(locale(""));

	string str1("string class");
	string str2("汉字与字符");

	string  str3("abc汉字");
	wstring wstr1(L"wstring class");
	wstring wstr2(L"汉字与字符");
	wstring wstr3(L"abc汉字");

	cout << "str1 length: " << str1.length() << '\n'; // 12
	cout << "str2 length: " << str2.length() << '\n'; // 10
	cout << "str3 length: " << str3.length() << '\n'; // 7
	cout << str2[0] << " " << str2[1] << '\n';  // 输出：?
	cout << endl;
	wcout << L"wstr1 length: " << wstr1.length() << '\n'; // 13
	wcout << L"wstr2 length: " << wstr2.length() << '\n'; // 5
	wcout << L"wstr3 length: " << wstr3.length() << '\n'; // 5
	wcout << wstr2[0] << " " << wstr2[1] << '\n';   // 输出：汉 字
}

输出：

str1 length: 12
str2 length: 10
str3 length: 7
?

wstr1 length: 13
wstr2 length: 5
wstr3 length: 5
汉 字
请按任意键继续. . .

结论：

        4.std::string 内部以 char 类型储存字符，当有汉字时以双字节存储，此时 length() 给出

    字符串所占字节数而不是字符数

          std::wstring 内部以 wchar_t 类型存储字符，字母汉字统一都是双字节，此时 length()

    给出是正确的字符数。

        5.当std::string中有汉字存在时，通过下标访问不能得到正确的字符。这是显而易见的，

    一方面字符宽度不统一无法随机访问，另一方面 std::string[] 返回 char 类型。std::wstring

    不存在此问题。

 

实验 03:

// test.txt 为 ANSI 编码(GB2312)，内容为以上 str1 ~ str3 的3行。

#include<string>
#include<iostream>
#include<locale>
#include <fstream>
using namespace std;

int main()
{
	string str;
	wstring wstr;

	ifstream fin("test.txt");
	//fin.imbue(locale(""));
	while (fin >> str)
		cout << str << '\n';
	fin.close();

	wifstream wfin("test.txt");
	//wfin.imbue(locale(""));
	//wfin.imbue(locale(".936"));
	while (wfin >> wstr)
		wcout << wstr << '\n';
	wfin.close();
}

输出：

 

abc汉字
wstring
class
汉字与字符
abc汉字

abc汉字
wstring
class
汉字与字符
abc汉字
请按任意键继续. . .

结论：

       6.std::ifstream 读取 ANSI 编码正常，std::wifstream 读取 ANSI 编码错误（也正常）…默认 locale("C") 不能识别中文字符（可以识别中文字符，当做C风格字符串）

          std::wifstream 设置 imbue(locale("")) 或 locale(".936") 后正常读取(不能正确读取)。936 为 GB2312 的代码页。

 

 实验 04:

 test.txt 为 Shift-JIS 编码，内容为

 うみねこのなく頃に

 程序代码同实验3

 ifstream 输出为

 偆傒偹偙偺側偔崰偵

 wifstream 设定 imbue(locale("")) 后输出相同

 

结论：

       7.显而易见的，其他地区的编码无法正确识别。这也是很多日本游戏和文本文件运行

    或读取时产生乱码的原因。

 

 实验 05:

 test.txt 为 Shift-JIS 编码，内容同上

 ifstream 与 wifstream 都添加 imbue(locale("jpn")) 或 locale(".932")

932 为 Shift-JIS 的代码页

 输出为：

 偆傒偹偙偺側偔崰偵

 うみねこのなく頃に

 

 

结论：

       8.这里可以看出一个显著性差异。wifstream 在读取时按照 Shift-JIS 编码将其转换为

    Unicode 储存，在 wcout 输出时又按照 ANSI (GB2312) 转换，其结果是 —— 正确显示

    了其他地区编码的字符。而 ifstream 与 cout 则缺少那两步转换，结果与上例相同

    以后的实验将不再考虑 ifstream 而只实验 wifstream。

 

 实验 06:

 test.txt 存为 UTF-16 编码(Win32 默认的 little endian)，内容同上。

 wifstream 设定为 imbue(locale(".1200"))

 1200 为 UTF-16 的 code page

 

 结果，运行出错…发现是 imbue(locale(".1200")); 这句的问题

 试着将 ".1200" 改为 ".936" 则运行正常，输出乱码。(936是 GB2312 的代码页)

 翻 MSDN 时在 Code Page 那页1200 UTF-16 后面发现一行小字：

 "available only to managed applications"…郁闷

 看来用 locale 转Unicode的想法到此结束了？记得 STL 书中貌似说过，locale 的名

 字在各平台上是不统一的，因为关系到各平台的支持问题。这样的话，要么自己写

 代码，要么就只好用 API 显式转换了：MultiByteToWideChar

 另外，在 setlocale 函数说明中也写到，UTF-8 和 UTF-7 等每字符有可能大于2字节

 的编码不被支持，所以 UTF-8 也只能用 MultiByteToWideChar 转咯…

 目前大概只能得出结论 C++ STL locale 在 Win32 平台上支持不完善吧

 

 实验 07: 用 API 重写读文件部分代码

#include<windows.h>

HANDLE hFile;

if(INVALID_HANDLE_VALUE != (hFile = CreateFileW(L"test.txt",

        GENERIC_READ, FILE_SHARE_READ, NULL, OPEN_EXISTING, 0, NULL))){

    int iFileLength, iUniTest, i;

    iFileLength = GetFileSize(hFile,NULL);

    char *pBuffer, *pText;

    pBuffer = new char[iFileLength+2];

    DWORD dwBytesRead;

    ReadFile(hFile,pBuffer,iFileLength,&dwBytesRead,NULL);

    CloseHandle(hFile);

    pBuffer[iFileLength] = ”;

    pBuffer[iFileLength + 1] = ”;

    iUniTest = IS_TEXT_UNICODE_SIGNATURE | IS_TEXT_UNICODE_REVERSE_SIGNATURE;

    if(IsTextUnicode(pBuffer,iFileLength,&iUniTest)){

        pText = pBuffer + 2;

        iFileLength -= 2;

        if(iUniTest & IS_TEXT_UNICODE_REVERSE_SIGNATURE){

            for(i = 0;i < iFileLength; i+=2)

                swap(pText[i],pText[i+1]);

        }

        wstr = (wchar_t*)(pBuffer+2);

    }

    delete [] pBuffer;

    wcout<<wstr<<‘\n’;

}

 

        输出正确。以上程序段自动识别 Unicode 编码文件开头的 0xFFFE 标记判断是 Little Endian 还是

    Big Endian 并做相应转换。但是代码量较大，且与 C++ 的 IO流 很不搭调…

 

结论：

       9.可以看到，只是把输入内容去掉UTF-16开头的0xFFFE，直接把内存指针改为

    wchar_t* 后 std::wstring 即可正确识别，说明程序中的宽字符存储格式实际上用的就是

    UTF-16 little endian

 

 实验 08:

 不死心又去翻了 boost 库，发现 codecvt_null 这个好东西，看下实现是把文件存储内容

 按照 wchar_t 为单位直接读入内存不做任何转换。这其实不正好是 UTF-16 需要做的么

 以下把 test.txt 存为 UTF-16 little endian 再次实验

#include<boost/archive/codecvt_null.hpp>

wifstream wfin(L"test.txt");

locale utf16(loc, new boost::archive::codecvt_null<wchar_t>);

wfin.imbue(utf16);

while(wfin>>wstr){

    wcout<<wstr<<endl;

}

wfin.close();

 

输出正确。

 

结论：

       10. 看来可以把 codecvt_null 作为 UTF-16 的 codecvt_facet 读入 locale

    来使用，避免使用类似上面 API 那么多代码。

 

 实验 09:

 将 test.txt 存为 UTF-16 Big Endian ,内容不变。程序不变

 

无法输出任何内容。

结论：

       11. wcout 不认识 big endian 的 wchar_t …

    看来想读取 UTF-16 Big Endian，仅靠 codecvt_null 还不够。稍微翻了一下

    《C++ 输入输出流与本地化》这本书，现在可以考虑写一个自己的 codecvt_facet

    了。有了 codecvt_null 的代码，稍作改动即可用于 UTF-16 big endian。虽说有了

    现在的知识自己写个 utf-16 的codecvt_facet 也可以，但效率大概比不上 boost 里的。

 

代码准备：用类似的方法写出了自己的 codecvt_utf16 和 codecvt_utf16_reverse 两个

codecvt_facet…然后继续实验。自己写的内容放入咱自己的头文件吧：codecvt_utf.h，

内容加入自己的 namespace : tvt

 

 实验 10: 用 codecvt_utf.h 代替 codecvt_null.hpp。用 codecvt_utf16 和

 codecvt_utf16_reverse 实现 little endian 与 big endian 的输入。

wifstream wfin(L"test.txt");

locale utf16(loc,new tvt::codecvt_utf16<wchar_t>);

wfin.imbue(utf16);

while(wfin>>wstr){

    wcout<<wstr<<endl;

}

wfin.close();

///////////////////////////////////////

wifstream wfin(L"test.txt");

locale utf16(loc,new tvt::codecvt_utf16_reverse<wchar_t>);

wfin.imbue(utf16);

while(wfin>>wstr){

    wcout<<wstr<<endl;

}

wfin.close();

 

第一段程序读取 UTF-16 little endian 编码的 text.txt 正确输出

第二段程序读取 UTF-16 big endian 编码的 text.txt 正确输出

 

UTF-16 的转码顺利完成。下面考虑 UTF-8 ，写法类似。在 boost 库中继续寻找，发现

这个东东 boost/detail/utf8_codecvt_facet.hpp 。看下说明，不支持直接使用此文件，这文件

是专门提供其他 boost 组件使用的。仅 include 它的话编译出问题。再寻找到同名的 cpp 文件

后即可看到 do_in do_out 这两个转码关键的虚函数。有了上面 UTF-16 的基础，我们类似可写

出 UTF-8 的转码 codecvt_facet。我给他起名为 codecvt_utf8, 依然加入 codecvt_utf.h 文件。

现在此文件有一两百行了。经试验可正确输入 UTF-8 编码。

 

对应编码有了处理方法后，下一个问题是编码识别。

 

实验 11:

wchar_t wc;

wchar_t buf[2];

wifstream wfin(L"text.txt");

wfin.read(&wc,1);

wfin.read(&buf[0],2);

 

将 wc 和 buf 的内容按2进制或16进制输出。

结论：

       12. wistream.read(buffer,count) 操作每次读入 count 个字节，但将每个字节存入一个

 wchar_t 类型的 buffer[i] 中。其实 buffer 中每个 wchar_t 的高位都字节是 0 …

 

 实验 12:

 加入判断条件，在 wfin 中自动加入合适的 utf16 facet，使得自动识别并读取

 little endian 和 big endian 编码的文件：

wchar_t buf[2];

wifstream wfin(L"test.txt");

wfin.read(buf,2);

if(buf[0] == wchar_t(0xFF) && buf[1] == wchar_t(0xFE)){

    cout<<"little endian"<<endl;

    wfin.imbue(locale(loc,new tvt::codecvt_utf16<wchar_t>));

}

else if(buf[0] == wchar_t(0xFE) && buf[1] == wchar_t(0xFF)){

    cout<<"big endian"<<endl;

    wfin.imbue(locale(loc,new tvt::codecvt_utf16_reverse<wchar_t>));

}

while(wfin>>wstr){

    wcout<<wstr<<endl;

}

 

对于两种编码的 text.txt 都实现了自动识别并正确读取。输出正确！

 

结论：

       13.UFT-16在传输时几乎都会加上 0xFFFE 等传输标志很容易判断，即使没有， Win32 下

    也有 IsTextUnicode 这 API 用专门方法判断。UTF-8 就很麻烦了，开头不一定都有 BOM 标

    记，与各地区字符集一样都可以用一个或多字节表示一个字符，编码长度不固定，如果是

    很长一段 ASCII 字符，那么用 UTF-8 和 GB2312 编码出来结果一样，就很难分辨

 

代码准备：经过一段时间思考，打算用这种算法。先读取前3字节，若是 BOM 头标记最好。若

不是则排除 UTF-16 ，下面集中力量分辨 UTF-8 与 ANSI 。从头开始寻找第一个 >127 的字节

若此字节内容 < 0xC0 或 >0xEF 则可判断不是 UTF-8 。否则，根据 UTF-8 的规则，在后面1 或

2 字节中看开头两位是不是 10 。若不是则断定不是 UTF-8 ，否则就算得到一个 UTF-8 字符。

如果能够找到 10个 满足条件的 UTF-8 字符就判断为 UTF-8 编码。若未到 10 个即遇到文件结

尾，那么找到 UTF-8 字符数大于 1 即断定为 UTF-8 否则断定为 ANSI …

用这种方式选择对应转码 facet:

wistrm.imbue(std::locale(wistrm.getloc(), new codecvt_utf8));

 

按以上想法写成函数 int IsStreamUnicode(std::wistream &wistrm); UTF-16 LE 返回1，BE 返回2，

UTF-8 返回3，否则返回 0 (判断为ANSI)

 

实验 13:

 

std::wifstream wfin(L"test.txt");

if(!tvt::IsStreamUnicode(wfin))

    wfin.imbue(loc);

while(wfin>>wstr)

    wcout<<wstr<<endl;

 

 在我试验的各种情况下，均能自动识别 UTF-16 LE UTF-16 BE UTF-8 与 ANSI 编码

 并正确设定转码 locale .

 

 

————————————————————————————-

8小时后，关于后续实验的补充：

 

使用中发现某些情况下 UTF-16 的读写出现问题，特别是有换行符或某字节中编码刚好

等于控制符时。经过反复测试认定是 读写mode 问题。在读写 Unicode 文件时，

wifstream 与 wofstream 都设定为 ios_base::binary 模式即可。后来又补充了一个添加

BOM 头的小东西。为了使用简便把 utf_16 的 template 也去掉了。最终情形使用起来

像这个样子：

 

#include<iostream>

#include<fstream>

#include<codecvt_utf.h>

using namespace std;

 

wstring wstr;

wcout.imbue(locale(""));

 

// Open the Input and Output Files:

std::wifstream wfin(L"test.txt", ios_base::binary);

std::wofstream wfout(L"testout.txt", ios_base::binary);

 

// Set Output Format and Write BOM tag:

wfout.imbue(locale(locale(""), new tvt::codecvt_utf16));

wfout<<tvt::utf_bom;

 

// Detect the Format of the Input File

if(!tvt::IsStreamUnicode(wfin))

    wfin.imbue(locale(""));

 

// Read and Write

//while(wfin>>wstr){

//    wcout<<wstr<<endl;

//    wfout<<wstr<<endl;

//}

 

// Another way:

while(getline(wfin,wstr)){

    wcout<<wstr<<endl;

    wfout<<wstr<<endl;

}

 

// Close Files:

wfin.close();

wfout.close();

 

读写测试全部通过！

 

感谢 记事本、EditPlus 和 HxDen 的大力支持…

 至此，关于 Unicode 编码和 C++ STL IO流 的协作算是大功告成了吧，呵呵。以后有需要再

在实践中改进

 花了整整一天时间 + 8 小时 = = 还算有价值吧，因为在网上看到很多人都在问且没有结果

 

 ===========分隔线============

 再加一点关于
locale 的使用总结

 另附：现在来看用 c++ 的 IO stream locale 系列实现转码并不是一个经济的选择，如果用 STLport 的话还好些，用 VC STL 则存在较严重的效率问题：

 File
I/O 效率 C vs C++ (一)