Mach de Bagua    

Let's Unicoding!

升级以后的blog-city的编辑框有问题，有时候出现不了那些字体按钮什么的，有时候往里面贴的文字（我都是在记事本里写好再粘贴）会自动变成这是这样的形式，然后就能在英文环境里阅读了。有时候又不会，还是GB2312编码。我以为这些数字就是汉字的内码，写了个工具打出来一看，又不对。怒了，GB2312的页面每次都要重新选语言，真麻烦。于是研究了一下汉字编码问题。现有的编码
（一）台湾地区 1.Big 5：俗称大五码 2.Big 5 plus：Big 5扩编码 3.CNS11643：中文标准交换码
（二）中国大陆 1.GB2312-80：通称国标码 2.GBK ：汉字内码扩展规范 3.GB13000 可以是1,2,4字节的扩展规范
（叁）日本 1.Shift JIS 2.EUC-JIS
（四）韩国 1.KSC 5601
当中各种国际及国家标准文号都不表了。从大陆的汉字编码的演变来看，主线是：
gb2312/big5 --> GBK(支持繁简两体）--> CJK(Unicode) 现在的Windows2000操作系统支持GBK和CJK. 另外对GB和BIG5也有支持。
以上三代标准的内码都不同的，需要转换。从长远看，势必过渡到Unicode. Google是这方面的典范。用google时，它用zh-CN（具体是什么是用你的本地缺省编码)编码输入的汉字，再用%符号编码，到google的网站后它会把内容转换成unicode, 这就势为什么用简体汉字能搜到繁体和日文网站的原因，因为有些字在CJK里是中日韩共用的。

回到我开头的问题来，那些数字是Unicode的内码，不是GBK的。明白这一点就好做了，需要把自己的程序改成Unicode的，在VC里面： 字符串都用TCHAR，用TEXT修饰字符串常量以及字符串操作函数都用_t打头的就不用说了；在Project Settings->C/C++->Catagory->Preprocessor里面加上UNICODE和_UNICODE两个宏定义。没有下划线的是专门用于 Windows 头文件；后者有一个前缀下划线，专门用于 C 运行时头文件。最后还有重要的一点，一定要在link中，Category选output,将Entry-Point Symbol设为wWinMainCRTStartup，要不会报连接错误。 代码如下：
CString input;
... ... // to get the input string
unsigned int length = (unsigned int)input.GetLength();
CString result, sv;
TCHAR c = '\0';
char *cc = (char*)&c;
cc++;
for( unsigned int i =0; i < length; i++) {�
��� c = input.GetAt(i);�
��� if( (*cc) != 0) // If the higer byte of TCHAR c is not 0, encode it�
��� {
������� sv.Format( TEXT("&#%d;"), c);�
������� result += sv;�
��� }�
��� else�
������� result += c;�
}

最后收罗几个链接：
1. UTF-8 and Unicode FAQ
2. UTF-8 and Unicode FAQ中文版
3. CJK组织
4. Jock的主页

posted 2004.03.09 Tuesday