关于GDAL读写Shp乱码的问题总结

目录

• 1. 正文
  • 1.1. shp文件本身的编码的问题
  • 1.2. 设置读取的编码方式
    • 1.2.1. GDAL设置
    • 1.2.2. 解码方式
    • 1.2.3. 其他
• 2. 参考

1. 正文

最近在使用GDAL读写Shp格式中的属性字段的时候也遇到了中文乱码的问题，总结下自己遇到的情况。

1.1. shp文件本身的编码的问题

应该是由于shp格式加入了对宽字符的支持，所以导致有段时间的shp文件和ArcGIS是存在不匹配的问题，所以在网上搜索资源的时候遇到了大量的关于ArcMap显示shp属性表出现乱码的问题。现在的shp格式的文件应该已经稳定下来了，新添加了一个.cpg的文件，里面保存着属性表的编码格式：

图1-1：shp格式的.cpg文件

从ArcGIS10.2开始，只要是属性表编码与.cpg文件记录的编码方式一致，就不会再有显示乱码的问题。网上查询到的修改注册表的方法，我在ArcGIS10.2中试过，似乎已经不再起效了。

那么对于没有.cpg或者的情况，应该可以看属性表.dbf文件。如果编码方式正确，这个文件用文本编辑器打开是可以看到正常的中文的：

图1-2：shp格式的.dbf文件

在正常显示中文情况下，可以查看下文件的编码方式：

图1-3：查看编码方式

当然，如果遇到乱码，可以尝试用别的编码方式打开，这样你就能知道属性表具体是什么编码了。对于国内的情况来说，只有ANSI编码和UNICODE编码两种：其中简体中文系统中ANSI编码就是GB2312编码；UTF-8是UNICODE编码的一种具体实现。

1.2. 设置读取的编码方式

1.2.1. GDAL设置

可以通过全局设置函数CPLSetConfigOption()，来配置读取Shp文件的读取编码。例如对于简体中文系统中ANSI编码，可以设置为GBK：

CPLSetConfigOption("SHAPE_ENCODING","GBK");

上面这种方式是全局设置的，如果想设置单个文件的编码方式也是可以的。例如，打开一个矢量文件读取为UTF-8的数据集：

char** ppszOptions = NULL;
ppszOptions = CSLSetNameValue(ppszOptions, "ENCODING", "UTF-8");
GDALDataset *poDS = (GDALDataset*)GDALOpenEx(filePath.c_str(), GDAL_OF_VECTOR, NULL, ppszOptions, NULL);

网上提供的解决方案都是将编码方式设置为空^[1]，这种方式应该更具有通用性，起码我这里读取GBK和UTF-8格式的Shp的格式都是可以的：

CPLSetConfigOption("SHAPE_ENCODING","");

1.2.2. 解码方式

如果读取出来的字段属性仍然是乱码，就应该考虑字符串的解码问题，就是获取的字段属性字符串没有正确的解码出来。例如读取UTF-8的Shp文件的属性字段：

OGRFeature *poFeature;
while ((poFeature = poLayer->GetNextFeature()) != NULL)
{
    OGRGeometry *pGeo = poFeature->GetGeometryRef();
    OGRwkbGeometryType pGeoType = pGeo->getGeometryType();

    //
    OGRFeatureDefn *poFDefn = poLayer->GetLayerDefn();
    int n = poFDefn->GetFieldCount(); //获得字段的数目，不包括前两个字段（FID,Shape);
    for (int iField = 0; iField <n; iField++)
    {
        //输出每个字段的值
        //cout << poFeature->GetFieldAsString(iField) << "    ";
        cout << UTF8_To_string(poFeature->GetFieldAsString(iField)) << "   ";
    }
    //cout << endl;   

    OGRFeature::DestroyFeature(poFeature);
}

默认情况下，cout是无法正确打印输出UTF-8字符编码的，通过UTF8_To_string这个函数，将UTF-8编码的字符串转换成本地ANSI编码，也就是GBK编码字符串，就可以正确输出显示了。附带一下两者的转换函数^[2]：

// UTF8转std:string
// 转换过程：先将utf8转双字节Unicode编码，再通过WideCharToMultiByte将宽字符转换为多字节。
std::string UTF8_To_string(const std::string& str)
{
    int nwLen = MultiByteToWideChar(CP_UTF8, 0, str.c_str(), -1, NULL, 0);
    wchar_t* pwBuf = new wchar_t[nwLen + 1];    //一定要加1，不然会出现尾巴
    memset(pwBuf, 0, nwLen * 2 + 2);
    MultiByteToWideChar(CP_UTF8, 0, str.c_str(), str.length(), pwBuf, nwLen);
    int nLen = WideCharToMultiByte(CP_ACP, 0, pwBuf, -1, NULL, NULL, NULL, NULL);
    char* pBuf = new char[nLen + 1];
    memset(pBuf, 0, nLen + 1);
    WideCharToMultiByte(CP_ACP, 0, pwBuf, nwLen, pBuf, nLen, NULL, NULL);

    std::string strRet = pBuf; 

    delete []pBuf;
    delete []pwBuf;
    pBuf = NULL;
    pwBuf = NULL; 

    return strRet;
} 

// std:string转UTF8
std::string string_To_UTF8(const std::string& str)
{
    int nwLen = ::MultiByteToWideChar(CP_ACP, 0, str.c_str(), -1, NULL, 0);
    wchar_t* pwBuf = new wchar_t[nwLen + 1];    //一定要加1，不然会出现尾巴
    ZeroMemory(pwBuf, nwLen * 2 + 2);
    ::MultiByteToWideChar(CP_ACP, 0, str.c_str(), str.length(), pwBuf, nwLen);
    int nLen = ::WideCharToMultiByte(CP_UTF8, 0, pwBuf, -1, NULL, NULL, NULL, NULL);
    char* pBuf = new char[nLen + 1];
    ZeroMemory(pBuf, nLen + 1);
    ::WideCharToMultiByte(CP_UTF8, 0, pwBuf, nwLen, pBuf, nLen, NULL, NULL); 

    std::string strRet(pBuf); 

    delete []pwBuf;
    delete []pBuf;
    pwBuf = NULL;
    pBuf  = NULL; 

    return strRet;
}

1.2.3. 其他

还有个值得注意的问题就是Shp格式的属性字段名称的长度最大只能支持10个字符。如果采用UTF-8编码，可能用不了几个中文字符就被截断了，这个时候属性字段名称也可能存在乱码。

2. 参考

[1] GDAL/OGR 1.9.0获取shp文件中中文字段值和属性值乱码文件解决

[2] UTF8与std:string互转