標籤：
本文目標：
- 瞭解Delphi的字串類型
- 字元編碼的檢測與轉換
- 簡體繁體轉換
0. 導言
看完“.Net與字元編碼（理論篇）”，我們明白了字元是自然語言中的最小單位，在儲存和傳輸的過程中可以使用三種編碼方法：ASCII、DBCS以及Unicode。常見的DBCS編碼有GB2312、GBK和BIG5，而UTF-8、UTF-16和UTF-32則是最常用的Unicode編碼類型。
1. 字串類型
在Delphi中有兩種字串類型：AnsiString和WideString。AnsiString被稱為“長字串”(Long String)；WideString則叫做“寬字元串”（Unicode String），它和COM String (BSTR)相容。它們都是由程式在堆(Heap)上分配的並自動管理記憶體的分配和釋放。目前在Win32平台上，string類型等同於AnsiString。AnsiString還可以理解成位元組序列，它支援單位元組字元編碼(SBCS)、多位元組字元編碼(MBCS/DBCS)以及UTF-8編碼。而WideString使用UTF-16編碼，完美支援Unicode。
為了說明字元和位元組的區別，我們來看一個計算字元個數的例子：
// 假設當前系統頁為CP936(GBK 1.0)
procedure TestAnsiLength;
var
str: string;
begin
str := ‘漢字ABC‘;
Assert(Length(str) = 7); // 7個位元組
Assert(AnsiLength(str) = 5); // 5個字元
end;
下面是AnsiLength的兩種實現：
// uses SysUtils;
function AnsiLength(const s: string): integer;
var
p, q: PChar;
begin
Result := 0;
p := PChar(s);
q := p + Length(s);
while p < q do
begin
Inc(Result);
if p^ in LeadBytes then // 當前系統字碼頁的前導位元組數組
Inc(p, 2)
else
Inc(p);
end;
end;
// uses Windows;
function AnsiLength(const s: string): Integer;
begin
Result := MultiByteToWideChar(CP_ACP, 0, PAnsiChar(s), -1, nil, 0);
if Result > 0 then Dec(Result); // 除去終止符
end;
如果理解了.Net與字元編碼（理論篇）中的編碼知識，上面的例子還是很簡單的。
2. 字元編碼的檢測與轉換
“工欲善其事，必先利其器”，我先向大家推薦一些工具：
- JCL (JEDI Code Library)
- Virtual TreeView
- Tnt Controls or TMS Unicode Component Pack
定義基本的類型：
{ 編碼類別型 }
TEncodingType = (
etAnsi, // ANSI format (SBCS/DBCS)
etUTF8, // UTF-8 format
etUnicode, // UTF-16 format using little endian
etUnicodeBE, // UTF-16 format using big endian
etUTF32, // UTF-32 format using little endian
etUTF32BE // UTF-32 format using big endian
);
{ 位元組順序標記 }
TByteOrderMask = array of Byte;
獲得不同編碼類別型的BOM：
CopyBytes
function TryGetBOM(const encodingType: TEncodingType; var bom: TByteOrderMask): Boolean;
begin
Result := True;
case encodingType of
etUTF8: CopyBytes(BOM_Utf8, bom);
etUnicode: CopyBytes(BOM_UTF16_LSB, bom);
etUnicodeBE: CopyBytes(BOM_UTF16_MSB, bom);
etUTF32: CopyBytes(BOM_UTF32_LSB, bom);
etUTF32BE: CopyBytes(BOM_UTF32_MSB, bom);
else
begin
SetLength(bom, 0);
Result := False;
end;
end;
end;
檢測字元編碼類型：
CompareBOM
function DetectEncoding(buffer: PAnsiChar): TEncodingType; overload;
begin
if CompareBOM(buffer, BOM_UTF8) then
Result := etUTF8
else if CompareBOM(buffer, BOM_UTF16_LSB) then
Result := etUnicode
else if CompareBOM(buffer, BOM_UTF16_MSB) then
Result := etUnicodeBE
else if CompareBOM(buffer, BOM_UTF32_LSB) then
Result := etUTF32
else if CompareBOM(buffer, BOM_UTF32_MSB) then
Result := etUTF32BE
else
Result := etAnsi;
end;
function DetectEncoding(stream: TStream): TEncodingType; overload;
var
pos: Int64;
bytes: TByteOrderMask;
begin
SetLength(bytes, 6);
ZeroMemory(@bytes[0], Length(bytes));
pos := stream.Seek(0, soFromCurrent);
stream.Seek(0, soFromBeginning);
stream.Read(bytes[0], SizeOf(bytes));
stream.Seek(pos, soFromBeginning);
Result := DetectEncoding(PAnsiChar(@bytes[0]));
end;
下面的方法示範了如何用不同的編碼類別型來儲存文本：
procedure WriteText(stream: TStream; const buffer: WideString;
const encodingType: TEncodingType; withBom: Boolean = False);
var
s: AnsiString;
p: PAnsiChar;
bom: TByteOrderMask;
bytes: Integer;
begin
p := nil;
bytes := Length(buffer) * SizeOf(WideChar);
if withBom and TryGetBOM(encodingType, bom) then
begin
stream.Write(bom[0], Length(bom));
end;
case encodingType of
etAnsi:
begin
p := PAnsiChar(buffer);
bytes := Length(buffer);
end;
etUTF8:
begin
s := Utf8Encode(buffer);
p := PAnsiChar(s);
bytes := Length(s);
end;
etUnicode:
begin
p := PAnsiChar(PWideChar(buffer));
end;
etUnicodeBE:
begin
StrSwapByteOrder(PWideChar(buffer));
p := PAnsiChar(PWideChar(buffer));
end;
else // 留給讀者去實現
begin
raise Exception.Create(‘Not Implemented.‘);
end;
end;
stream.Write(p^, bytes);
end;
需要說明的是，如果把這些過程封裝成對象的話，結構會更清晰。
3. 簡體繁體轉換
簡體繁體轉換包括簡轉繁和繁轉簡兩種情況，其原理是利用尋找字元編碼映射表來尋找相應的字元。網上有一個“利用編碼對照表完成內碼轉換和簡繁體轉換的單元”就是基於這個原理寫的，在這裡就暫不詳述了。
{ TODO: 採用OOP來封裝字元編碼模組，並提供下載 }
{ TODO: 研究簡體繁體轉換 }
參考文章
- Determining the actual length of a DBCS string
http://www.cnblogs.com/baoquan/articles/1027371.html
Delphi與字元編碼（實戰篇）（MultiByteToWideChar會返迴轉換後的寬字元串長度）
