宽字符标量L"xx"在VC6.0/7.0和GNU g++中的不同实现
作者：乾坤一笑
锲子：本文源于在 VCKBASE C++ 论坛和周星星大哥的一番讨论，这才使我追根索源，找到了理论依据和实践的证明。（本文一些资料和测试代码由周星星提供）
《The C++ Programming Language 3rd》中有这么两段话：
from 4.3:
A type wchar_t is provided to hold characters of a larger character set
such as Unicode. It is a distinct type. The size of wchar_t is
implementation-defined and large enough to hold the largest character set
supported by the implementation’s locale (see §21.7, §C.3.3). The strange
name is a leftover from C. In C, wchar_t is a typedef (§4.9.7) rather than
a builtin type. The suffix _ t was added to distinguish standard typedefs.
from 4.3.1:
Wide character literals are of the form L′ab′, where the number of
characters between the quotes and their meanings is implementation-defined
to match the wchar_t type. A wide character literal has type wchar_t.
这两段话中有两个要点是我们关心的：
wchar_t 的长度是由实现决定的；
L"ab" 的含义是由实现决定的。
那么GNU g++和VC6.0/7.0各是怎么实现的呢？看下面代码：
//author: **.Zhou
#include <stdio.h>
#include <stdlib.h>
#include <windows.h>
void prt( const void* padd, size_t n )
{
const unsigned char* p = static_cast<const unsigned char*>( padd );
const unsigned char* pe = p + n;
for( ; p<pe; ++p ) printf( " %02X", *p ); printf( "\n" );
}
int main()
{
char a[] = "VC知识库";
wchar_t b[] = L"VC知识库";
prt( a, sizeof(a) );
prt( b, sizeof(b) );
system( "Pause" );
// 说明：
// Dev-CPP4990 显示为：
// 56 43 D6 AA CA B6 BF E2 00
// 56 00 43 00 D6 00 AA 00 CA 00 B6 00 BF 00 E2 00 00 00
// VC++6.0 和 VC.net2003 显示为：
// 56 43 D6 AA CA B6 BF E2 00
// 56 00 43 00 E5 77 C6 8B 93 5E 00 00
// 可见，Dev-CPP中的L""不是unicode编码，只是简单的扩充，汉字需要4bytes存储
HWND h = FindWindow( NULL, "计算器" );
SetWindowTextA( h, a );
system( "Pause" );
SetWindowTextW( h, b );
system( "Pause" );
// 说明：
// VC++6.0 和 VC.net2003 都能成功将标题改为"VC知识库"
// 而 Dev-CPP4990 只有 SetWindowTextA 显示正确，而 SetWindowTextW 显示的是乱码
}
这段代码说明了，g++（Dev-CPP 用的是 MingGW 编译器）中 L"xx" 解释为把作为 non-wide-char 的 "xx"
扩展为作为 wide-char 的 wchar_t，不足则在高位补0；而 VC6.0 的 L"xx" 解释为把作为 MBCS 的 "xx"
转换为作为 unicode 的 WCHAR，目前的 MBCS 是以 char 为一个存储单元的，而 WCHAR 在 winnt.h 中定义为
typedef wchar_t WCHAR。在 Windows 平台上，只要是超过 0~127 范围内的 char 型字符，都被视为 MBCS，它由1到2个字节组成，MBCS
字符集跟它的地区代码页号有关。在某个特定的 Windows 平台，默认的代码页号可以在控制面板 -> 区域选项中设定。
关于上述结论可以有下面这个程序来验证：
//author: smileonce
#include <stdio.h>
#include <stdlib.h>
#include <assert.h>
#include <windows.h>
void prt( const void* padd, size_t n )
{
const unsigned char* p = static_cast<const unsigned char*>( padd );
const unsigned char* pe = p + n;
for( ; p<pe; ++p ) printf( " %02X", *p ); printf( "\n" );
}
int main()
{
char a[] = "VC知识库";
wchar_t b[] = L"VC知识库";
prt( a, sizeof(a) );
prt( b, sizeof(b) );
PSTR pMultiByteStr = (PSTR)a;
PWSTR pWideCharStr;
int nLenOfWideCharStr;
// 利用API函数MultiByteToWideChar()来把a转化成unicode字符
nLenOfWideCharStr = MultiByteToWideChar( CP_ACP, 0, pMultiByteStr, -1, NULL, 0);
pWideCharStr = (PWSTR)HeapAlloc( GetProcessHeap(), 0, nLenOfWideCharStr * sizeof(WCHAR) );
assert( pWideCharStr );
MultiByteToWideChar( CP_ACP, 0, pMultiByteStr, -1, pWideCharStr, nLenOfWideCharStr );
prt( pWideCharStr, nLenOfWideCharStr * sizeof(WCHAR) );
system( "Pause" );
// // 说明：
// 56 43 D6 AA CA B6 BF E2 00 //char a[] = "VC知识库";
// 56 00 43 00 E5 77 C6 8B 93 5E 00 00 //wchar_t b[] = L"VC知识库";
// 56 00 43 00 E5 77 C6 8B 93 5E 00 00 //用MultiByteToWideChar()把a转换为unicode
// // 可见，b[]的字符代码就是unicode代码
return 0;
}
呵呵，问题已经明了，总结一下：
ISO C 中 wchar_t 是一个 typedef，ISO C++ 中 wchar_t 是语言内建的数据类型，L"xx" 是ISO
C/C++ 语言内建的表示 wchar_t 的文本量的语法；
wchar_t 的长度是由实现决定的；
L"xx" 的意义是由实现决定的；
默认的 "xx" 是 non-wide-char，其每个元素数据的类型是 char；与其相对应的 L"xx"
是wide-char,其每个元素数据的类型是wchar_t。
为什么 C/C++ 语言把 L"xx" 定义为由实现决定的呢？这显然是为了 C/C++ 的普适性、可移植性。Bjarne
的观点认为，C++ 的方式是允许程序员使用任何字符集作为串的字符类型。另外，unicode
编码已经发展了若干版本了，是否能永久适合下去也不得而知。有关 unicode 的详细论述以及和其它字符集的比较，我推荐你看《无废话xml》。
