C++ Builder 参考手册 ➙ C++ Builder 的字符串类型、字符类型、字符编码

• 字符变量
• 字符常数
• 字符串常数
• 标准 C / C++ 字符串变量类型
• Windows API 字符串变量类型
• C++ Builder 字符串变量类型
• UTF-8 / UTF-16 / UTF-32 / ANSI / GBK / BIG5 等编码转换

一. 字符变量

【注1】char 类型在不同的平台里面，可能是有符号整数 (x86 / x64)，也可能是无符号整数 (ARM / PowerPC)。大多数编译器里面的 char 都是 8 位的整数，虽然 C / C++ 标准里面没有规定 char 的位数，但是说明了 char 必须支持 UTF-8 编码 (C++ 14)，那么 char 就应该是 8 位整数。

【注2】char 类型的字符编码，可能是 UTF-8 类型的 (Linux 默认编码 / Windows 10 1903 之后的版本在控制面板里面设定 UTF-8 编码，如下面的截图所示)，也可能是 ANSI 编码 (Windows 到目前为止的所有的版本的默认的编码)。

【注3】wchar_t 类型在不同的平台里面，可能是 2 个字节的 UTF-16 编码的字符类型 (Windows)，也可能是 4 个字节的 UTF-32 编码的字符类型 (Linux)。

Windows 10 1903 之后版本的控制面板里面的 UTF-8 编码选项，打勾之后，"字符串"、char、std::string 和 AnsiString 都变成了 UTF-8 编码：

Windows 10 的字符编码改为 UTF-8 的选项

二. 字符常数

【注4】'c' 单引号里面只能有一个字符，不限于编码为 1 个字节的字符 (英文字母与数字等)，也可以有超过一个字节的编码的字符，比如汉字等，例如 '汉' 和 '字' 都可以，单引号的字符并不是 char 类型的，而是 int 或 unsigned 类型的，如果给 char 赋值，高位字节丢失，只剩下最低位的一个字节的值，这种情况，编译器可能会给出警告。

【注5】'c' 或 '汉' 这样的字符常数，是 int 或 unsigned int 类型的，对于 C++ Builder，如果使用 clang 编译器，是 int 类型的，如果使用 Borland 编译器，是 unsigned int 类型的，其他 C/C++ 开发工具没有测试。clang 编译器超过 1 个字节的编码的字符常数会有警告，因为通常这样的字符要给 char 赋值，会丢失高位字节。

【注6】'c' 或 '汉' 这样的字符常数的字符编码，可能是 UTF-8 类型的 (Linux 默认编码 / Windows 10 1903 之后的版本在控制面板里面设定 UTF-8 编码，如本文前面 char 类型的备注的截图所示的参数位置)，也可能是 ANSI 编码 (Windows 到目前为止的所有的版本的默认的编码)。

【注7】L'c' 或 L'汉' 这样的字符常数的字符编码和 wchar_t 类型相同，可能是 UTF-32 编码 (Linux)，也可能是 UTF-16 编码 (Windows)。如果是 UTF-16 编码，存在 2 个 char16_t 字符的编码 (4 个字节的编码)，如果使用的是 Borland 编译器，丢失第二个 char16_t，只剩下第一个 char16_t。例如 U+1F642 的 Emoji 字符 L'🙂' 的 UTF-16 编码为 0xD83D, 0xDE42 两个 char16_t 字符，Borland 编译器这个字符的编码值只剩下了 0xD83D。如果使用 clang 编译器，2 个 char16_t 的编码的字符无法编译通过，即 L'汉' 可以得到正确的编码值，L'🙂' 就无法编译通过了，这样的字符需要用字符串处理。

【注8】u'c' 或 u'汉' 这样的字符常数为 UTF-16 编码的，如果这个字符是 2 个 char16_t 编码的，例如 U+1F642 的 Emoji 字符 L'🙂' 的 UTF-16 编码为 0xD83D, 0xDE42 两个 char16_t 字符，就无法编译通过了，这样的字符需要用字符串处理。

通过以上注释，字符常数的总结：

• UTF-8 或 ANSI 超过 1 个字节的编码要用字符串处理，单个字符的字符常数的值超过了 1 个字节对于不同的编译器的表现不同，可能无法正确处理；
• UTF-16 编码的字符如果是由 2 个 char16_t 组成的，不同的编译器的表现不同，并且都无法正确处理，所以这样的字符需要用字符串处理；
• UTF-32 编码的字符永远都是正确的，他们的编码值就等于 UNICODE 编码值。

三. 字符串常数

【注9】"字符串" 这样的字符串常数的字符编码，可能是 UTF-8 类型的 (Linux 默认编码 / Windows 10 1903 之后的版本在控制面板里面设定 UTF-8 编码，如本文前面 char 类型的备注的截图所示的参数位置)，也可能是 ANSI 编码 (Windows 到目前为止的所有的版本的默认的编码)。

【注10】L"字符串" 这样的字符串常数的字符编码，可能是 2 个字节的 UTF-16 编码的字符类型 (Windows)，也可能是 4 个字节的 UTF-32 编码的字符类型 (Linux)。

四. 标准 C / C++ 字符串变量类型

【注11】char * / char [] / std::string 这些的字符串的字符编码，可能是 UTF-8 类型的 (Linux 默认编码 / Windows 10 1903 之后的版本在控制面板里面设定 UTF-8 编码，如本文前面 char 类型的备注的截图所示的参数位置)，也可能是 ANSI 编码 (Windows 到目前为止的所有的版本的默认的编码)。

【注12】wchar_t * / wchar_t [] / std::wstring 这些字符串的字符编码，可能是 UTF-16 编码的字符串 (Windows)，也可能是 UTF-32 编码的字符串 (Linux)。

五. Windows API 字符串变量类型

六. C++ Builder 字符串变量类型

七. UTF-8 / UTF-16 / UTF-32 / ANSI / GBK / BIG5 等编码转换

1. UTF-8 / UTF-16 / ANSI / GBK / BIG5 等编码转换

UnicodeString、UTF8String、AnsiString、AnsiStringT<CP> 这些字符串之间互相赋值可以自动转码。

void __fastcall TForm1::Button1Click(TObject *Sender)
{
    UnicodeString    u16s = L"你好，玄坴！";
    UTF8String       u8s  = u16s;
    AnsiStringT<936> gbk  = u8s;
    AnsiStringT<950> big5 = u16s;
    AnsiString       as   = big5;

    Memo1->Lines->Add(u16s);
    Memo1->Lines->Add(u8s );
    Memo1->Lines->Add(gbk );
    Memo1->Lines->Add(big5);
    Memo1->Lines->Add(as  );

    wchar_t *lpU16  = u16s.c_str(); // UTF-16
    char    *lpUTF8 = u8s.c_str();  // UTF-8
    char    *lpGBK  = gbk.c_str();  // GBK
    char    *lpBIG5 = big5.c_str(); // BIG5
    char    *lpANSI = as.c_str();   // ANSI

    Memo1->Lines->Add(L"---");
    Memo1->Lines->Add(lpU16 );
    Memo1->Lines->Add(lpUTF8);
    Memo1->Lines->Add(lpGBK );
    Memo1->Lines->Add(lpBIG5);
    Memo1->Lines->Add(lpANSI);

    UnicodeString     sU16  = lpU16 ; // UTF-16
    UTF8String        sU8   = lpUTF8; // UTF-8
    AnsiStringT<936>  s936  = lpGBK ; // GBK
    AnsiStringT<950>  s950  = lpBIG5; // BIG5
    AnsiString        sANSI = lpANSI; // ANSI

    Memo1->Lines->Add(L"---");
    Memo1->Lines->Add(sU16  );
    Memo1->Lines->Add(sU8   );
    Memo1->Lines->Add(s936  );
    Memo1->Lines->Add(s950  );
    Memo1->Lines->Add(sANSI );
}

在控制面板里面选择了 UTF-8 编码，编译运行：

• 由于 UnicodeString、UTF8String、AnsiString、AnsiStringT<CP> 这些字符串会自动转码，所以这样的字符串显示出来都不乱码；
• char * 字符串只有和控制面板的编码相同时不会乱码，编码不同会乱码；
• 把 char * 放回对应编码的字符串类型里面，就不乱码了，因为他们会自动转码。

控制面板里面选择了 UTF-8 编码

编码转换运行结果

在控制面板里面选择了中文(简体，中国)，编译运行：

• 由于 UnicodeString、UTF8String、AnsiString、AnsiStringT<CP> 这些字符串会自动转码，所以这样的字符串显示出来都不乱码；
• char * 字符串只有和控制面板的编码相同时不会乱码，编码不同会乱码；
• 把 char * 放回对应编码的字符串类型里面，就不乱码了，因为他们会自动转码。

控制面板里面选择了中文(简体，中国)

编码转换运行结果

2. UTF-32 与其他编码之间转换

由于 Windows 核心都是 UTF-16 编码的，没有处理 UTF-32 编码的能力，如果有 UTF-32 编码的数据需要转成 UTF-16 处理。

由于 UTF-32 编码和 UCS4 编码相同，可以用这两个函数来进行编码转换：

UCS4String __fastcall UnicodeStringToUCS4String(const UnicodeString S);
UnicodeString __fastcall UCS4StringToUnicodeString(const UCS4String S);

UCS4String 字符串也没有处理字符串的能力，只是 UTF-32 字符的动态数组，只用来编码转换，这个字符串类型是这样定义的：

typedef DynamicArray<UCS4Char> UCS4String;

相关：

• C++ Builder 整型变量和整型常量
• C++ Builder 的枚举类型
• C++ Builder 浮点型变量和浮点型常量

C++ Builder 参考手册 ➙ C++ Builder 的字符串类型、字符类型、字符编码