Delphi7中 string, AnsiString, Utf8String，WideString的区别分析(转)

Posted 2021-02-21 maweiwei

Windows系统上的 Notepad.exe 打开文件后，点击“文件”菜单中的“另存为”命令，会跳出一个对话框，在最底部有一个“编码”的下拉条。
里面有四个选项：ANSI，Unicode，Unicode big endian 和 UTF-8。
1）ANSI是默认的编码方式。对于英文文件是ASCII编码，对于简体中文文件是GB2312编码（只针对Windows简体中文版，如果是繁体中文版会采用Big5码）。
2）Unicode编码指的是UCS-2编码方式，即直接用两个字节存入字符的Unicode码。这个选项用的little endian格式。
3）Unicode big endian编码与上一个选项相对应。我在下一节会解释little endian和big endian的涵义。
4）UTF-8编码，也就是上一节谈到的编码方法。
 

缺省的编译选项下，编译器认为String就是AnsiString字符串（可以使用$H编译开关来进行修改）。

 
   AnsiString   这是Pascal缺省的字符串类型，它由AnsiChar   字符组成，其长度没有限制，同时与null结束的字符串相兼容，它的内存和ANSI编码格式的TXT文件的内存一样，AnsiString可能是全部都是ASCII字符，也可能包含中文字符。 
 如果是在繁体中文windows系统上，可能包含繁体中文字符，如果是简体中文系统，则为GB2312编码，如果是繁体中文系统，则为BIG 5码。 
   WideString功能上类似于AnsiString，但它是由WideChar字符（UniCode字符集）组成的。引入这种类型，主要是为了支持OLE编程。而且还有一个实用的功能，就是当一个字符串是中英文字符混杂时，能够准确计数字符数，并可分别访问其中每一个中文字符或英文字符，如果一个AnsiString中含有中英文字符时，就不容易确定字符数，也无法准确访问其中的每一个字符。AnisString字符串的每一个字节都不为零，但WideString的内存字节可能为0。AnsiString内存字节中，有可能一个字节代表一个字符，也可能两个字节代表一个字符，WideString全部是两个字节代表一个字符。

可以将一个WideString赋给一个AnsiString，也可以将一个AnsiString赋给一个WideString，在赋值过程中将发生编码转换，如果一个WideString中的Unicode字符在ANSI字符集编码范围之外，则该Unicode字符被转为? (0x3F)，所以就会出现拷贝一些阿拉伯字符串到文本框中后变成一串?的情况。

Unicode编码则是采用双字节16位来进行编号，可编65536字符，基本上包含了世界上所有的语言字符，它也就成为了全世界一种通用的编码，而且用十六进制4位表示一个编码，非常简结直观，为大多数开发者所接受。

AnsiString(或长字符串)类型是在Delphi2.0开始引入的，因为Delphi   1.0的用户特别需要一个容易使用而且没有255个字符限制的字符串类型，而AnsiString正好能满足这些要求。 虽然AnsiString在外表上跟以前的字符串类型几乎相同，但它是动态分配的并有自动回收功能，正是因为这个功能AnsiString有时被称为生存期自管理类型。Object   Pascal能根据需要为字符串分配空间，所以不用像在C/C++中所担心的为中间结果分配缓冲区。另外，AnsiString字符串总是以null字符结束的，这使得AnsiString字符串能与Win32   API   中的字符串兼容。实际上，AnsiString类型是一个指向在堆栈中的字符串结构的指针。

WideString类型像AnsiString一样是生存期自管理类型，它们都能动态分配、自动回收并且彼此能相互兼容，不过WideString和AnsiString的不同主要在三个方面：

WideString由WideChar字符组成，而不是由AnsiChar字符组成的，它们跟Unicode字符串兼容。 
WideString用SysAllocStrLen()API函数进行分配，它们跟OLE的BSTR字符串相兼容。 
WideString没有引用计数，所以将一个WideString字符串赋值给另一个WideString字符串时，就需要从内存中的一个位置复制到另一个位置。这使得WideString在速度和内存的利用上不如AnsiString有效。

Utf8String的定义同string,  但一般存放Utf8编码的字符串。

UTF-8编码
这是一种变长的编码方式：它可以使用1~4个字节表示一个符号，根据不同的符号而变化字节长度，当字符在ASCII码的范围时，就用一个字节表示，保留了ASCII字符一个字节的编码做为它的一部分，如此一来UTF-8编码也可以是为视为一种对ASCII码的拓展。值得注意的是unicode编码中一个中文字符占2个字节，而UTF-8一个中文字符占3个字节。从unicode到uft-8并不是直接的对应，而是要过一些算法和规则来转换。
在计算机内存中，统一使用Unicode编码，当需要保存到硬盘或者需要传输的时候，就转换为UTF-8编码。
用记事本编辑的时候，从文件读取的UTF-8字符被转换为Unicode字符到内存里，编辑完成后，保存的时候再把Unicode转换为UTF-8保存到文件。

1.字符编码的发展
第一阶段：ASCII阶段，(American Standard Code for Information Interchange， “美国信息交换标准码），计算机当时只支持英语，字符在计算机中都是以0和1的方式存储的。象a、b、c、d这样的52个字母（包括大写）、以及0、1、2等数字还有一些常用的符号（例如*、#、@等）在计算机中存储时也要使用二进制数来表示，而具体用哪些二进制数字表示哪个符号，就必须要有一定的规则，于是美国有关的标准化组织就出台了所谓的ASCII编码，统一规定了上述常用符号用哪个二进制数来表示。（来自百度百科），ASCII码规定每个字符例如“a”使用1个字节来表示，也就是8为的二进制组合，那么就有00000000-11111111一共256种组合，也就是可以表示256个不同的字符。

其中0-31：是控制字符或通讯专用字符（不可以显示的字符，其余为可显示字符），如控制符：LF（换行）、CR（回车）等。

32-126：是字符，其中32是空格。

48-57为0-9的阿拉伯数字。

65-90为26个大写英文字母。

97-122为26个小写英文字母。

其余的是一些标点符号，运算符号等。

ASSCII共计有128个，从0到127，也就是从00000000-01111111，最高位都是0。

第二阶段：ANSI编码（本地化）阶段，ASCII只能表示英文字符，那么其他字符怎么表示呢？汉语是这样解决的，用两个ASCII表示一个汉字，而且不用前面的128个。比如汉字“中”在中文操作系统中使用[0xD6,0xD0] 这两个字节存储，这样每个汉字也都有了自己的编码，汉字编码解决了，这就是中国的GB2312编码标准，但是这是中国汉字的编码，那么其他国家呢？其他的国家的计算机操作系统中可能把[0xD6,0xD0] 这两个字节存储成他们的文字，而不是“中”，不同的国家和地区制定了不同的标准，这些使用 2 个字节来代表一个字符的各种文字延伸编码方式，称为 ANSI 编码。

（1）GB2312-80汉字编码

GB2312国标字符集构成一个二维平面，它分成94行、94列，行号称为区号，列号称为位号。每一个汉字或符号在码表中都有各自的位置，字符的位置用它所在的区号(行号)及位号(列号)来表示。每个汉字的区号和位号分别用1个字节来表示，

如：“大”字的区号20，位号83，区位码是20，83

用2个字节表示为：00010100 01010011

问题：信息通信中，汉字的区位码与通信使用的控制码（00H～1FH）发生冲突。

解决方案：为避免汉字区位码与通信控制码冲突，ISO2022规定，每个汉字区号和位号必须分别加上32(即20H),

即区位码加上2020H。

经过这样处理得到的代码称为汉字的“国标交换码”（简称交换码）。因此，“大”字的国际交换码是:

区位码（00010100 01010011）+ 2020H=国际交换码（00110100 01110011）

机内码：

问题：文本中汉字与西文字符经常混用，汉字信息如不予以特别的标识，它与单字节的标准ASCII码就会混淆不清。

解决方法：把一个汉字看作两个扩展ASCII码，使表示GB2312汉字的两个字节的最高位(b7)加“1”，（即27=128=80H）。这种高位为l的双字节(16位)汉字编码就称为GB2312汉字的“机内码”，又称内码。
“大”的国际交换码：（00110100 01110011），内码是：10110100 11110011（B4F3）

第三阶段：UNICODE（国际化），为了使国际间信息交流更加方便，国际组织制定了 UNICODE 字符集，为各种语言中的每一个字符设定了统一并且唯一的数字编号，以满足跨语言、跨平台进行文本转换、处理的要求。Unicode用数字0-0x10FFFF来映射这些字符，最多可以容纳1114112个字符，或者说有1114112个码位。码位就是可以分配给字符的数字。UTF-8、UTF-16、UTF-32都是将数字转换到程序数据的编码方案。

Unicode目前普遍采用的是UCS-2它用两个字节来编码一个字符一般用十六进制来表示UCS-2最多能编码65536个字符

 

环境：win7中文旗舰版 + VS2010 + 当前代码页为GBK(GBK兼容GB2312，所以上面的例子，可以再当前环境下验证)

 

string str1 = "123大";//GBK编码[31H,32H,33H,b4H,f3H]
wstring str2 = L"123大";//UCS-2编码[0031H,0032H,0033H,5927H]
string str3;
int nlength = WideCharToMultiByte(CP_UTF8, 0, str2.c_str(), -1, NULL, 0, NULL, NULL);
str3.resize(nlength, ‘‘);
WideCharToMultiByte(CP_UTF8, 0, str2.c_str(), -1, &str3[0], nlength, NULL, NULL);//Unicode to UTF-8
//str2 UTF-8编码[31H,32H,33H,E5H,a4H,a7H]

1）对于单字节的符号，字节的第一位设为0，后面7位为这个符号的unicode码。因此对于英语字母，UTF-8编码和ASCII码是相同的。

2）对于n字节的符号（n>1），第一个字节的前n位都设为1，第n+1位设为0，后面字节的前两位一律设为10。剩下的没有提及的二进制位，全部为这个符号的unicode码。

例如：

“大”字，UCS-2编码为[5927H]，即[0101 1001 0010 0111]

对于UTF-8编码来说，[5927H]在0800H~FFFFH之间，应该使用[1110 xxxx 10yy yyyy 10zz zzzz]，将[0101 1001 0010 0111]以此填入xxxx yy yyyy zz zzzz部分，得

[1110 0101 1010 0100 1010 0111]，即 [e5H a4H a7H]

————————————————
版权声明：本文为CSDN博主「cbntrt」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/cbntrt/java/article/details/88605095