宽字符wchar_t和窄字符char区别和相互转换

转自：http://blog.csdn.net/nodeathphoenix/article/details/7416725

1.    首先，说下窄字符char了，大家都很清楚，就是8bit表示的byte，长度固定。char字符只能表示ASII码表中的256个字符，包括前128个可见字符和后面的128个不可见字符。

而wchar_t则是因为char所能表示的字符数太少(256个)而应运而生的，它的长度可以8bit，16bit，32bit,长度是与不同平台上的c库相关的。其实这个长度是根据指定平台上想要用的encoding编码方式来设定的。

在win32 MSVC环境下，c库中wchar_t的长度是2个byte,定义如下：

       typedef unsigned short wchar_t; /* 16 bits */

       它是按照utf-16编码，但是因为wchar_t定义的长度只有2个字节，所以它不能表示utf-16编码长度为4个字节的字符。即wchar_t只表示了utf-16的一个子集。换句话话说，就是MSVC下，wchar_t是utf-16编码的，但是只能表示utf-16的一个子集。按utf-16编码时，大部分字符都以固定长度的字节 (2字节) 储存.

在Linux-x86的GCC环境下，c库中wchar_t的长度为四个字节，用UCS-4(即utf-32编码方式)。

wchar_t就是存储的字符的unicode码值的编码值，如windows下就是unicode码值的utf-16编码值：

        TCHAR wide[] = L"态";

        在vs中watch为：  [0] 24577 L'态' wchar_t，即对应的十进制为24577，而"态"unicode表中查到的码值为十六进制的6001，而0x6001对应的十进制值就是24577.

        TCHAR wide[] = L"a"; 因为a的unicode值与ASCII值一样，为97. 如果unicode码值U小于0x10000，则U的UTF-16编码就是U对应的16位无符号整数。

        所以可知，0x6001的utf-16编码值就是0x6001。

 wchar_t   w1= L'中';  //Unicode 编码  ，宽字符字符串前面要加L

        wchar_t   w2= '中';   //Ansi编码

        printf( "%0x   %0x ",w1,w2);

结果：

        4e2d   d6d0

        虽然同样是赋值给wchar_t，但是不同的编码则值是不同的。同时也说明了wchar_t不光是可以存储Unicode宽字符，也可以存储其它的编码。但是如果是存储的Ansi编码，则按照宽字符的格式输出的是什么呢？

wchar_t c= L'中';

        wcout.imbue(locale("chs"));

        wcout<<c<<endl;

       上述代码能正常输出'中'字

wchar_t c= '中';

       wcout.imbue(locale("chs"));

       wcout<<c<<endl;

      上述代码不能正常输出'中'字，结果是什么也没输出。

      所以如果是需要宽字符参数的API里传入值为Ansi编码值的wchar_t可能会得到不可预测的结果。

c/c++标准只是声明wchar_t是一个可以表示字符集中的任意一个字符的足够宽的变量类型。wchar_t可以用任何encoding编码方式来存储这个字符，如ANSI, or UCS-2, or UCS- 4, 甚至是SCU-128，只不过我们通常是用unicode编码方式。wchar_t是与实现相关的。

所以为了可移植性，我们不能假定wchar_t的编码方式，然后根据编码方式做一些相关性操作，我们只能理解它为一个足够宽的字符类型。

参考：http://prog.eskosoft.com/2007/01/13/19

2.     ANSI码

ANSI码（American National Standards Institute），中文：美国国家标准学会的标准码。

      我们说的ansi码，指windows平台的一种ascii扩展码，他将ascii码扩展到8bits，增加了0x80-0xff共128个字符。

      对于ANSI码表而言，它兼容ASCII码表，0x00~0x7F之间的字符，依旧是1个字节代表1个字符。为使计算机支持更多语言，通常使用 0x80~0xFF 范围的 2 个字节来表示 1 个非英语字符。

像GB2312, BIG5, JIS 等使用ANSI码表的0x80~0xFF范围的 2 个字节来代表一个字符的各种汉字延伸编码方式，统称为ANSI 编码。比如：汉字 '中' 在GB2312码表中，使用 [0xD6,0xD0] 这两个字节存储。ANSI 编码与UTF-8一样，也是一种编码方式。

ANSI用一个字节来表示英语字符，用两个字节来表示一个非英语字符----这个字符位于某个字符集中的value。而字符集则可以是象GB2312，BIG5等在ASCII码表基础上扩展的字符集。这些字符集中兼容ASCII码表，并且加入了汉字(或繁体等)的字符集。

在vs 的c++环境下，可以通过如下方式查看汉字的ANSI编码值。char类型取值范围为-128～127。-42对应的char类型数据的原码为“10101010”，反码为"11010101",补码为"11010110",即十六进制为0xD6。同理-48则为0xD0.由此我们可知，ANSI，是通过两个窄字符char来表示一个汉字的。

当我们 在VS里输入一个“中”字时，其实它在GB2312里对应的两个字符值为0xD6和0xD0，那么VS里其实记录的就是[0xD6,0xD0]这个编码值。当我们电脑控制面板里设置的system locale为中文的时候，[0xD6,0xD0]在VS里就是呈现出“中”字；但是如果system locale设置为韩文时，[0xD6,0xD0]在VS里就是呈现出的就是它所表示的韩文字。即同一个ANSI编码值，对于不同的system
locale值(不同的字符集)，显示出来的字符是不一样的。

在VS工程属性里无论你选择Multi-Byte Character Set 或 Unicode Character Set字符集，char str[] = "中";这个表达式里，"中"都是ANSI编码，编码值都是[0xD6,0xD0]。即默认情况下，如果不加_T或L，默认情况下所有的字符都是ANSI编码。

3.   相互转换：

转换的时候是与encoding相关的，转换完后显示是和本地的language相关的。

windows：

MultiByteToWideChar和WideCharToMultiByte， MultiByteToWideChar可将utf-8编码的多字节或是ANSI编码的多字节(即两个字节)等转换为Unicode的宽字符wchar_t。例如，两个byte的窄字符表示的ANSI汉字转换为Unicode的宽字符wchar_t。WideCharToMultiByte可以将wchar_t转换utf-8或ANSI
等编码的多字节。

linux：mbstowcs和wcstombs

MultiByteToWideChar根据接口中指定的encoding方式将source多字符转换为对应的unicode值的宽字符；WideCharToMultiByte则刚好相反，是根据指定的encoding编码方式将unicode字符转换为指定的编码方式的多字符。

char str[] = "中";

    int len=MultiByteToWideChar(CP_ACP,0,str, -1, NULL,0);

    wchar_t *w_string = new wchar_t[len];

    memset(w_string,0,sizeof(wchar_t)*len);

    MultiByteToWideChar(CP_ACP, 0, str,-1,w_string, len);

运行结果：

则len的长度为2，得到两个宽字符。*w_string则是'中'的宽字符值，*(w_string+1)则为结束符'\0'对应的宽字符值0.

详细的转换过程，下面的link中有详细描述：

http://www.ccw.com.cn/college/soft/b2c/os/htm2011/20111128_954237.shtml

另外附上一个非常不错的文章链接：

http://club.topsage.com/thread-2227977-1-1.html