關於unicode和多位元組之間的關係及區別（筆記）

  我們都知道微軟採用了兩種字元集編碼格式，一種是unicode編碼；另一種便是多位元組編碼格式。那他們之間的關係是什麼呢？好的，讓我們先看下面一段程式：

TCHAR* p = _T("it學吧");
// 多位元組字元集
int a = sizeof(p); //===???
int b = _tcslen(p);//===???;
// 在UNICODE字元集下
int c = sizeof(p); //===???
int d = _tcslen(p);//===???

 

這道題已經可以體現unicode和多位元組之間有什麼區別了。首先呢，_tcslen這個函數在是一個宏定義，定義如下：

#ifdef _UNICODE
#define _tcslen wcslen

#else

#define _tcslen  strlen

#endif

 

上面的表述清楚明了，也就是說：

當沒有定義_UNICODE宏時，TCHAR = char，_tcslen = strlen當定義了_UNICODE宏時，TCHAR = wchar_t ， _tcslen = wcslen 由於p是指標類型，也即是表述地址的變數，在32位機上為4位元組，所以a和c均為4，多位元組的意思是字串中可以是一個位元組表示也可以兩個位元組表示，英文字元一個位元組即可，不過漢字需要兩個位元組（生僻字除外 ），所以在多位元組情況下b是6,（i佔一個位元組，t佔一個位元組,(“學吧”)兩個漢字各佔兩個位元組）字串結束符號不算，因為只計算有效長度。在unicode環境下,d為4,(因為此時_tcslen為函數wcslen，一次跨步兩個位元組，也即是一個長度代表兩個位元組)此時字串結束標誌需要兩個'\0'表示，如果不全是兩個結束標誌，則電腦認為此字串沒有結束,所以此時計算過程為：字母'i'佔兩個位元組，其中前一個為'\o',第二個為其'i'，t亦是如此，‘學吧’各自佔兩個位元組，也就是兩個長度，所以此時字串長度為4。由於剛開始寫部落格，如若有誤，敬請指正~~~~~

附：

通常我們說漢字是佔用2位元組（GB-2312）。
具體依據漢字編碼形式有所不同：
GB－231280 編碼為 2個位元組(Byte) 包含了 20902 個漢字，其編碼範圍是 0x8140-0xfefe。
GB18030-2000(GBK2K) 在 GBK 的基礎上進一步擴充了漢字，增加了藏、蒙等少數民族的字形。編碼是變長的，其二位元組部分與 GBK 相容；四位元組部分是擴充的字形、字位，其編碼範圍是首位元組 0x81-0xfe、二位元組0x30-0x39、三位元組 0x81-0xfe、四位元組0x30-0x39