C++ 程式編譯之字串

當使用 C 的 printf() 或 C++ 的 cout 秀出文字運作原來相當簡單，就是直接把執行程式內存放的字串字碼丟給系統處理就是了，只要字碼正確就會看到正確的字形在 Console 視窗秀出來。

但這個正確的字碼是怎麼產生的？看看以下這個測試程式，請用記事本編寫比較方便，隨後會做不同的編碼存檔。

#include <iostream>
using namespace std;

int main()
{
  const char *ansi_str1 = "中文";

  cout << "ansi_str1 = " << ansi_str1 << endl;
  return 0;
}

將之存成 ANSI 編碼格式，檔名為 test.cpp，我用 gcc 4.6.2 進行
編譯：

但若改用 utf-8 編碼存檔，結果如下：

變成亂碼了吧。

所有的原始程式檔都必須存放到文字檔中，但文字檔的編碼格式有好多種，所以 "中文" 這個字串在不同編碼的文字檔中字碼也不一樣，而編譯程式內定的做法，只是把原始檔中的字串複製到程式執行檔中的資料儲存區而已，所以要做轉換才能讓執行檔得到正確的字碼，原始檔所用的字碼稱為 source character set，而要放到執行檔中的字碼稱為 execution character set，在 gcc 中分別可用 -finput-charset=CHARSET 和 -fexec-charset=CHARSET 兩佪編譯參數來指定，所以可改成如下編譯：

為什麼不用指定 -finput-charset 呢，只要多測試幾次就會發現，若全不指定就採取直接複製的方式，若只指定一邊，另一邊就內定為 utf-8。接下來看看以下這個程式範例：

#include <iostream>
using namespace std; 

int main()
{ 
  const char *ansi_str1 = "中文"; 
  const wchar_t *unicode_str1 = L"123中文"; 

  cout << "ansi_str1 = " << ansi_str1 << endl; 
  wcout << "unicode_str1 = " << unicode_str1 << endl; 

  return 0;
}

先儲存為 ANSI 編碼，編譯結果：

這個編譯 ansi_str1 採用複製的方式，但 unicode_str1 須要被轉換為 UNICODE 才能被存放到執行檔的資料儲存區，可是卻不知來源檔的 L"123中文" 字串是何種編碼，所以改如下編譯：

unicode_str1 沒顯示 "中文" 二字，以上是在 WinXp 做測試，WinXp 雖然有支援 UNICODE，但 gcc 做法是先把 wchar_t 字串轉換成 char 字串，再呼叫 char 字串相關的功能，問題就在由 wchar_t 轉成  char  並未設定 setlocale()，就以內定的 "C" 轉換，以至於中文部份沒能轉換，所以程式碼要改一下

#include <iostream>
#include <locale>
using namespace std; 

int main()
{ 
  const char *ansi_str1 = "中文"; 
  const wchar_t *unicode_str1 = L"123中文"; 

  cout << "ansi_str1 = " << ansi_str1 << endl;

  setlocale(LC_CTYPE, "");  // 指定使用系統現正使用中的地區語言做轉換 
  wcout << "unicode_str1 = " << unicode_str1 << endl; 

  return 0;
}

這樣就沒問題了。

反觀 vc 為什麼不用有這些考量，主要的原因是 vc 不像 gcc 是跨平台，gcc 在 source character set 和 execution character set 好像只能接受 utf-8 和 ansi(BIG5、GB…都是 ansi)兩種編碼，vc 在 execution character set 只有 ansi 一種，而 source character set 可接受多種編碼，而且採用自動辨識。