Windows 程序支持 Unicode

宽字符

阅读了 UTF-8 Everywhere 一文，推荐在程序中对于字符串都使用 UTF-8 编码。Unix-like 系统默认是支持 UTF-8 编码的Unicode字符串，标准库函数也默认支持 UTF-8 字符串，如 fopen 等。但在 Windows 系统，由于历史原因，其对需要输入宽字符的函数提供了另外以 w 开头的标准库扩展函数，如 _wfopen 等。况且对标准库的 wchar_t 两种系统实现不一样，在 unix-like 系统中是占4字节的 UTF-8 编码，而在 Windows 系统中是占2字节的 UTF-16 编码。Windows 很多系统 API 接受 wchar_t 类型的字符串，这就需要把 UTF-8 编码的字符串转换为 UTF-16。

编码转换

UTF-8 Everywhere 文中提供了一个解决方案，在程序中的字符串统一使用 UTF-8 编码并使用 char 或 string 存储而不使用宽字符类型。在需要传入宽字符类型时进行转换，实现 widen 和 narrow 两种类型的函数，完成 UTF-8 和 UTF-16 的互相转换。

std::string narrow(const wchar_t *s);
std::wstring widen(const char *s);
std::string narrow(const std::wstring &s);
std::wstring widen(const std::string &s);

wchar_t *widen(const char *s);
char *narrow(const wchar_t *s);

在调用需要传入宽字符串的 Windows API时，使用 widen 函数转换字符串。

CopyFileW(widen(existing_file).c_str(), 
            widen(new_file).c_str(),
            TRUE);

函数实现

在 Boost.Nowide 中，包含 widen 和 narrow 两种类型函数的实现，并对标准库函数进行了包装，使得可以编写跨平台支持 Unicode 的程序。

UTF-8 Everywhere 中也提到可以使用 Windows 的 MultiByteToWideChar 和 WideCharToMultiByte 两个 API 实现两个转换函数。

#include <windows.h>

wchar_t *widen(const char *s, wchar_t *ws, size_t ws_size) {
	size_t required_size;

	// Get the required buffer size
	required_size = MultiByteToWideChar(CP_UTF8, 0, s, -1, ws, 0);

	if (required_size >= ws_size)
		return NULL;

	// Convert NULL terminated UTF-8 string to the UTF-16 (wide character) string
	if (MultiByteToWideChar(CP_UTF8, 0, s, -1, ws, ws_size) == 0)
		return NULL;

	return ws;
}

char *narrow(const wchar_t *ws, char *s,  size_t s_size) {
	size_t required_size;

	// Get the required buffer size
	required_size = WideCharToMultiByte(CP_UTF8, 0, ws, -1, s, 0, NULL, NULL);

	if (required_size >= s_size)
		return NULL;

	// Convert NULL terminated UTF-8 string to the UTF-16 (wide character) string
	if (WideCharToMultiByte(CP_UTF8, 0, ws, -1, s, s_size, NULL, NULL) == 0)
		return NULL;

	return s;
}

写代码测试两个函数时，遇到了控制台输出乱码问题。UTF-8 字符串转换为 wchar_t 类型字符串之后应该就能使用 wprintf 函数输出，但实际只有英文字符能正常输出，中文就是乱码。这主要时因为控制台使用的编码方式不是 Unicode， 中文的系统默认是 GBK，而宽字符输出的是 UTF-16，这中间就存在编码转换的问题，库函数 wprintf 没有自动转换。查看 Boost.Nowide 对 Console I/O 的实现说明，其利用的是 ReadConsoleW/WriteConsoleW 系统 API。WriteConsoleW 支持输出 Unicode 字符串，改用该函数控制台正确显示中文字符。

void print_wstring(const wchar_t *ws) {
	DWORD w;
	WriteConsoleW(GetStdHandle(STD_OUTPUT_HANDLE), ws, wcslen(ws), &w, NULL);
}

int main(void) {
	char cc[] = "xE4xB8x80y
";
	wchar_t utf16[512];
	wchar_t uu[] = L"一
";
	print_wstring(widen(cc, utf16, sizeof(utf16)));
	print_wstring(uu);
	system("pause");
	return 0;
}

源代码中的 UTF-8 字符串非 ASCII 字符直接使用16进制表示，wchar_t 类型的可以直接输入，但源代码文件使用的编码方式要支持Unicode 编码。编译器会自动根据源代码文件的编码方式解码字符串并使用 wchar_t 类型的编码方式编码字符串存储在最终编译生成的可执行文件中，在 Windows 系统中就是 UTF-16。为了避免不必要的编码问题，源代码文件也统一使用 UTF-8 编码保存，不过 visual studio 要使用带 BOM 的 UTF-8，不带 BOM 的不能正确识别。vs 2010 中打开 File -> Adavanced Save Options进行设置。