stackoverflow | C++ | std::wstring vs std::string

题目：stackoverflow | C++ | std::wstring vs std::string
作者：独酌逸醉
时间：2012.08.26

来源：http://stackoverflow.com/questions/402283/stdwstring-vs-stdstring
声明：

翻译仅以技术学习和交流为目的，如需转载请务必标明原帖链接。
水平有限，如有翻译不当，欢迎探讨、批评与指正。

问题表述
解释一
解释二
string? wstring?
char vs. wchar_t
那么关于 Unicode 呢？
在 Linux 上？
内存问题（Memory issues）
总结
解释三
(备注：本目录由AED生成)

问题表述：

我不理解 std::string 和 std::wstring 之间的差别。我知道 wstring 支持宽字符（例如 Unicode 字符）。我有下面几个问题：

什么时候我应该用 std::wstring 替代 std::string 呢？
std::string 可以存储整个 ASCII 字符集，包含特殊字符吗？
所有 C++ 的主流编译器都支持 std::wstring 吗？
宽字符的精确定义是什么？

解释一

存在一些历史原因，人们希望宽字符可以支持 Unicode。现在常用作 APIs 接口（UTF-16 字符串）。我仅仅在调用这种 API 的时候，才会使用到（宽字符）。
这和 std::string 没有多大关系，它可以存放任意编码的字符。唯一的问题就是你怎么对待他们。我推荐使用 UTF-8 ，因为它能准确的存储 unicode 字符。在 Linux 中经常这么使用，但是我认为 Windows 程序中也应该这么做。
不是的。
宽字符是一个迷惑人的名字。早期的 Unicode，相信字符可以用两个字节编码。由此而来。现在，它代表“任何字符的部分都是两字节长”（any part of the character that is two bytes long）。UTF-16 使用字节对的序列，在 UTF-16 中字符使用一个或者两个字节。

从 http://www.utf8everywhere.org 中，你可以获得更多的信息。

译者注：我估计这个回帖者的母语也不是英语，用词有些牵强、生硬，有些句子我不是很理解。建议大家去看看原帖吧。

解释二

string? wstring?

std::string 是模板类 basic_string 模板用 char 的特化，std::wstring 对应的是 wchar_t。

char vs. wchar_t

char 用来存储一个字符，通常来说占一个字节。wchar_t 用来存储宽字符，于是，事情就有些复杂了：在 Linux 上，一个 wchar_t 占 4 个字节；但是在 Windows 上，占 2 个字节。

那么关于 Unicode 呢？

问题在于 char 和 wchar_t 都没有和 unicode 有直接的关系。

在 Linux 上？

我们选一个 Linux 操作系统吧：我的 Ubuntu 系统对 Unicode 很敏感。当我使用一个 char 字符串的时候，它自然的使用 UTF-8 进行编码（也就是Unicode char 字符串）。下面是代码：

1
#include <cstring>

2
#include <iostream>

3

4

int main(int argc, char* argv[])

5
{

6

const char text[] = "olé" ;

7

const wchar_t wtext[] = L"olé" ;

8

9

std::cout << "sizeof(char) : " << sizeof(char) << std::endl ;

10

std::cout << "text : " << text << std::endl ;

11

std::cout << "sizeof(text) : " << sizeof(text) << std::endl ;

12

std::cout << "strlen(text) : " << strlen(text) << std::endl ;

13

14

std::cout << "text(binary) :" ;

15

16

for(size_t i = 0, iMax = strlen(text); i < iMax; ++i)

17

{

18

std::cout << " " << static_cast<unsigned int>(static_cast<unsigned char>(text[i])) ;

19

}

20

21

std::cout << std::endl << std::endl ;

22

23

std::cout << "sizeof(wchar_t) : " << sizeof(wchar_t) << std::endl ;

24

//std::cout << "wtext : " << wtext << std::endl ; <- error

25

std::cout << "wtext : UNABLE TO CONVERT NATIVELY." << std::endl ;

26

std::wcout << L"wtext : " << wtext << std::endl;

27

28

std::cout << "sizeof(wtext) : " << sizeof(wtext) << std::endl ;

29

std::cout << "wcslen(wtext) : " << wcslen(wtext) << std::endl ;

30

31

std::cout << "wtext(binary) :" ;

32

33

for(size_t i = 0, iMax = wcslen(wtext); i < iMax; ++i)

34

{

35

std::cout << " " << static_cast<unsigned int>(static_cast<unsigned short>(wtext[i])) ;

36

}

37

38

std::cout << std::endl << std::endl ;

39

40

41

return 0;

42
}

输出结果如下：

1
sizeof(char) : 1

2
text : olé

3
sizeof(text) : 5

4
strlen(text) : 4

5
text(binary) : 111 108 195 169

6

7
sizeof(wchar_t) : 4

8
wtext : UNABLE TO CONVERT NATIVELY.

9
sizeof(wtext) : 16

10
wcslen(wtext) : 3

11
wtext(binary) : 111 108 233

你可以看到 char 类型字符串的 “olé” 事实上是由四个字符：110, 108, 195 和 169 （不包括字符串结尾符0）。（wchar_t 你自己尝试分析一下吧）。
因此，当我们在 Linux 上使用 char 时，最终应该还是使用 Unicode 的（即便你并不知道）。std::string 使用内部采用的是 char ，由此看来，std::string 也是 unicode-ready。

要注意：std::string 和 C 式的字符串 API 一样，会认为 “olé” 有 4 个字符，而不是三个。因此，当你对 unicodes 字符进行截断或者扩增的时候，你要分外小心了，因为在 UTF-8 中许多字符的组合是被禁止的（不可用）。

在 Windows 下会有些不同，Unicode 出现之前，Win32 不得不大量的支持使用 char 工作的应用程序，并且产生了全世界不同的字符集/代码页。

因此他们的解决方案是很有趣的：如果一个应用程序使用 char 工作，那么 char 字符串编码/打印/显示在 GUI 标签的时候，将会使用本机的字符集/代码页。例如，在french-localized Windows 上 “olé” 显示为”olé”，但是在 cyrillic-localized Windows 就有些不同了（如果你用 Windows-1251 的话，应该显示”olй”）。因此，“早的应用程序”仍旧按照以前的方式运行。

对于基于 Unicode 的应用程序，Windows 使用 wchar_t ,也就是两字节宽，使用 UTF-16 编码（每个字符占两个字节）（或者至少和 UCS-2是兼容的，和 IIRC 大致相同）。

应用程序使用的 char 被称作 “多字节”（“multibyte”）（因为每一个符号有很多的 chars 组成）。应用程序使用的 wchar_t 被称作 “宽字节”（widechar）（因为每个符号由一个或者两个 wchar_t 组成）。通过查看 Win32 提供的多字节和宽字节相互转换的 API 可以获得更多的信息（ MultiByteToWideChar 和 WideCharToMultiByte ）。

因此，如果在 Windows 下工作的话，你应该尽可能使用 wchar_t （除非你使用了一个框架，把它（wchar_t）给隐藏了，比如：GTK+或者QT…）.
Windows 下使用 wchar_t 字符串，因此，之前的应用程序将会把他们的 char 字符串转换成 wchar_t （当使用类似于 SetWindowText 这种 API 的时候）。

内存问题（Memory issues）

UTF-32 每个字符占 4 个字节，因此没什么要添加的。只要 UTF-8 和 UTF-16 文本使用小于和 UTF-32 文本所占内存相等（通常是小于）。

如果有内存问题的话，你应该去了解更多的西方语言，同一个字符，UTF-8 要比 UTF-16 少占用内存。

仍然，对于其他的语言（中文，日文等等），内存占用相等或者比 UTF-8 大，更大可能比 UTF-16 还要大。

总之，UTF-16总是每个字符占用两个字节（除非你处理难懂的语言符号（克林贡语？精灵语）），UTF-8 占用 1~4 个字节。

从 http://en.wikipedia.org/wiki/UTF-8#Compared_to_UTF-16 获取更多的信息。

总结

1.什么时候我应该使用 std::wstring 替代 std::string 呢？

在 Linux 平台？几乎从来不用；
在 Windows 平台？几乎总需要；
跨平台代码？依赖于你的工具包（toolkit）…
除非你使用工具包/框架强制你使用某一种方式。

2.std::string 可以存储整个 ASCII 字符集，但是能存储特殊字符吗？

注意：std::string 适合存储二进制 buffer，std::wstring 不可以。
在 Linux 平台？可以。
在 Windows 平台？特殊的字符只对于 Windows 当前用户是有效的。

3.所有 C++ 的主流编译器都支持 std::wstring 吗？

大部分都支持，除了移植到 Windows 下的基于GCC的编译器。
我使用 g++ 4.3.2（Linux下），在 Win32 下（Visual C++ 6）我使用 Unicode API ，

4.宽字符的精确定义是什么？

就 C/C++ 来说，wchar_t 是一个比 char 大的字符类型。它用来存储比 255（或者是127，依赖于实现…）大的字符。

解释三

当你想要在你的字符串中存储宽字符的时候。这个“宽”依赖于实现。如果我没有记错的话。Visual C++ 默认是 16bit ,GCC 的默认值依赖于目标（target）。这里是 32 位长。请注意 wchar_t（宽字符类型）和 unicode 无关。它只不过保证它可以存储最大字符集（本地实现所支持的）的所有成员，最少和 char 一样。你可以存储 unicode 字符串到 std::string 中，使用 utf-8 编码。但是我不了解 unicode 的代码点的含义。因此 str.size() 不能告诉你你字符串中逻辑字符的个数，只是 char 或者 wchar_t 元素存储在 string/wstring 中的个数。因此 gtk/glib C++ 包装器的人（wrapper folks）已经开发了 Glib::ustring 类可以处理 utf-8。
如果你的 wchar_t 是 32位长，你可以使用 utf-32 作为 unicode 编码，你可以存储和处理 unicode 字符串使用确定性编码（utf-32就是一种确定性编码）。也就意味着你的 wstring 的 s.size() 函数将会返回正确的 wchar_t 元素个数和逻辑个数。
是的，char 总是至少 8位长，也就意味着可以存储所有的 ASCII 值。
是的，所有的主流编译器都支持它。

译者注：

我选取这篇帖子的主要原因是很多人都会曲解 UNICODE，因为我一开始就有曲解，我希望以这个帖子作引，让看到这篇文章的读者，自己去好好研究一下字符编码。
尽管花费我一天的时间来翻译和排版，但是我始终觉得有一部分翻译的不合理。其原因可能是我这方面了解的不多，希望大家可以谅解，同时也希望懂这方面的朋友给予指正，我不胜感激。
同样，我没有翻译完所有回复，因为很零碎。但是希望读者有时间去看一看他们讨论的部分，相信你可以学到很多。

以上，送给大家。

声明：本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。

stackoverflow | C++ | std::wstring vs std::string | 独酌逸醉