C++ 與 字元編碼格式

ASCII碼是表示字元的基本編碼，由於它是8位位元組編碼，只能表示256個字元。事實上在早期，ASCII是7位，英文的主要字元都小於128，後來擴充到8位，用大於128的編碼錶示特殊圖形標記。當電腦進入中國後，面臨漢字表示的問題，漢字的數目遠大於256，於是中國制訂GB2312編碼。GB2312是一個相容7位ASCII的變長位元組編碼格式。所謂變長是指英文字元仍然使用單位元組表示，而中文使用雙位元組表示，這樣在一段中英文混排的文字當中，就有兩種不同的字元位元組長度。（這種方式給中英文字元處理帶來很多麻煩，比如要統計一段文本的字元數，對於英文來說就是文本的位元組長度，而對中英文混排就必須用專門的演算法一個一個的統計）。那麼GB2312如何區分英文，中文呢？GB2312隻相容7位ASCII編碼，不能表示大於128的特殊圖形標記。這樣英文字元都小於128。而中文則採用大於128的兩個位元組表示，就不會發生衝突了。當遇到一個小於128的位元組時，那就是一個英文字元，當大於128時，就將當前位元組以及其後跟隨的位元組看做一個整體，就是一個中文字元。目前在中文環境下VC中預設使用的編碼方式就是GB2312以及擴充編碼。GB2312的問題是只能局限於簡體中文環境下使用。國際上後來制訂了GBK編碼，可以同時支援中、日、韓編碼，屬於局限於東亞的地區性編碼。隨著電腦普及，人們越來越需要同時表示多種語言字元。國際上制訂了Unicode編碼通訊協定，它能同時表達中文、日文、韓文、東西歐、英文等幾乎所有文字。Unicode主要分為UTF-32，UTF-16，UTF-8等類型。其中UTF-32是等長編碼，每個字元都用32位4位元組表示，但這樣帶來很大的空間浪費。UTF-16，UTF-8實際上是對UTF-32的改進壓縮編碼，屬變長編碼。特別是UTF-8是目前國際上應用最廣泛的編碼格式，最新的軟體開發都應當以UTF-8為基礎，以便支援多語言和國際化應用。一般來說，軟體中的文本分為程式文本和使用者文本，比如在記事本軟體中，菜單和提示框裡面的文字都是在軟體開發過程中就已經確定的，就是程式文本；使用者文本是使用者輸入的資料，比如記事本中用書寫的文章內容。使用者文本是使用者使用軟體時通過特定的IME來輸入，開發人員只需要將其儲存為特定的編碼格式就行了。而程式文本是開發人員要關注的。目前的流行做法是，不推薦將文本以printf（“中文字元！n”);這樣的形式直接寫到代碼中，因為這樣以後要更改常值內容，或者支援其他語言提示時，要在整個代碼中去修改這些字串，不便於維護（有個項目，曾動用4名開發人員2周的時間，才把全部中文串替換成英文）。正常的做法是，將這些字串集中儲存在一個文字檔或其他類型資源檔中，需要輸出提示時，通過字串id的方式找到並載入對應的文本，然後再輸出。這樣每次支援新的語言時，只要提供一個新的語言資源檔就可以了。