tinyXml处理UTF-8编码详解——写入和读取
以前写过一篇博文介绍tinyXml输出utf-8文档。
tinyXml的特点是不对xml节点内容的具体编码处理，这一切都交给用户。因此tinyXml和字符有关的函数都是只接受char*的数据类型。
例如：
TiXmlElement *pRoot=new TiXmlElement("test");
pRoot->SetAttribute("name","名字");
上述代码产生的节点，如果用TiXmlDocument的SaveFile函数直接保存，只能是ANSI的本地编码（无论程序是否是unicode），即使TiXmlDeclaration指定为utf-8。一种方法是输出到TiXmlPrinter，将TiXmlPrinter.CStr()转换到utf-8编码的char*后保存。
char*在双字节编码下是一种很奇特的字符串，中文平台下的VC的编译器，char*可以存放GBK汉字，编译能正确识别字符，因为ASCII码的最高位为0，而GBK双字节字符的首字节最高位为1。
在使用utf-8字符串时，必须树立一个观念：utf-8应当只在传输时使用，不适合作为函数过程的处理对象。什么是传输场合？网络传输和文件读写。以文件读写为例，文件以utf-8编码存放，在读入到内存后，应当立刻转换为unicode宽字符串。程序的内部处理过程中只有unicode宽字符串。直到写入文件时，unicode宽字符串才转换为utf-8字符串。
utf-8字符串本身是变长字符串，并没有特定的数据类型。它是以char*形式存放，它的byte的表现不符合任何双字节编码，当成双字节编码处理会立刻出错。事实上，char*只是一个存放空间，用void*、unsigned char*本质上没有区别。（倘若你喜欢，甚至可以拿char*来存放unicode宽字符串，一次memcpy两个byte就是了）。
脱离双字节编码（如GBK）的tinyXml使用方法是存在的。
例如上述代码可以改为：
TiXmlElement *pRoot=new TiXmlElement("test");
CStringA UTF8Str=CW2A(L"名字",CP_UTF8);
pRoot->SetAttribute("name",UTF8Str);
UTF8Str变量名即是内含的char*字符串的起始指针。CW2A函数可以自己写一个代替，并不难实现。此时可以直接调用TiXmlDocument的SaveFile函数保存为无BOM的UTF-8文档。要保存为含BOM的UTF-8文档，仍然需要TiXmlPrinter，但此时不需要对TiXmlPrinter.CStr()进行任何处理。
XmlEntityTree=new TiXmlDocument;
TiXmlDeclaration *dec=new TiXmlDeclaration("1.0","utf-8","");
XmlEntityTree->LinkEndChild(dec);
TiXmlElement *pRoot=new TiXmlElement("test");
CStringA UTF8Str=CW2A(L"名字",CP_UTF8);
pRoot->SetAttribute("name",UTF8Str);
XmlEntityTree->LinkEndChild(pRoot);
TiXmlPrinter printer;
XmlEntityTree->Accept(&printer);
char UTF8BOM[3]={'\xEF','\xBB','\xBF'};
CFile theFile;
theFile.Open(_T("test.xml"),CFile::modeCreate|CFile::modeWrite);
theFile.Write(UTF8BOM,3);
theFile.Write(printer.CStr(),strlen(printer.CStr()));
theFile.Close();
tinyXml在加载xml文档时有一个标记，TiXmlDocument.LoadFile(TiXmlEncoding encoding);
这个标记没多大作用，无论设为TIXML_ENCODING_UTF8还是TIXML_ENCODING_LEGACY，读入的节点的数据类型一样是char*。
设为TIXML_ENCODING_UTF8标记的唯一作用是tinyXml会自动处理文档的BOM。
对于下面文档，怎样才能正确读取到TemplateStr节点的内容？很简单，在读取时进行转换就行。
<?xml version="1.0" encoding="utf-8" ?>
<config>
<TemplateStr>中文</TemplateStr>
<AutoFixCue>true</AutoFixCue>
<AutoFixTTA>true</AutoFixTTA>
<AcceptDragFLAC>true</AcceptDragFLAC>
<AcceptDragTAK>true</AcceptDragTAK>
<AcceptDragAPE>true</AcceptDragAPE>
</config>
TiXmlDocument *xmlfile= new TiXmlDocument(FilePath);
xmlfile->LoadFile(TIXML_ENCODING_UTF8);
TiXmlHandle hRoot(xmlfile);
TiXmlElement *pElem;
TiXmlHandle hXmlHandle(0);
//config节点
pElem=hRoot.FirstChildElement().Element();
if (!pElem) return FALSE;
if (strcmp(pElem->Value(),"config")!=0)
return FALSE;
//TemplateStr节点
hXmlHandle=TiXmlHandle(pElem);
pElem=hXmlHandle.FirstChild("TemplateStr").Element();
if (!pElem) return FALSE;
CString TemplateStr=UTF8toUnicode(pElem->GetText());
UTF8toUnicode函数：
CString UTF8toUnicode(const char* utf8Str,UINT length)
{
CString unicodeStr;
unicodeStr=_T("");
if (!utf8Str)
return unicodeStr;
if (length==0)
return unicodeStr;
//转换
WCHAR chr=0;
for (UINT i=0;i<length;)
{
if ((0x80&utf8Str[i])==0) // ASCII
{
chr=utf8Str[i];
i++;
}
else if((0xE0&utf8Str[i])==0xC0) // 110xxxxx 10xxxxxx
{
chr =(utf8Str[i+0]&0x3F)<<6;
chr|=(utf8Str[i+1]&0x3F);
i+=2;
}
else if((0xF0&utf8Str[i])==0xE0) // 1110xxxx 10xxxxxx 10xxxxxx
{
chr =(utf8Str[i+0]&0x1F)<<12;
chr|=(utf8Str[i+1]&0x3F)<<6;
chr|=(utf8Str[i+2]&0x3F);
i+=3;
}
/*
else if() // 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
{}
else if() // 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
{}
else if() // 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
{}
*/
else // 不是UTF-8字符串
{
return unicodeStr;
}
unicodeStr.AppendChar(chr);
}
return unicodeStr;
}
CString UTF8toUnicode(const char* utf8Str)
{
UINT theLength=strlen(utf8Str);
return UTF8toUnicode(utf8Str,theLength);
}
strlen取char*的长度等于字节数（不含终止符），不是utf-8字串的真正字符个数。
评论