第十课：Qt 字符编码和中文乱码相关问题

功能描述：最全的 Qt 字符编码相关知识以及中文乱码的原因与解决办法

一、字符编码种类

ASCII 码

美国人对信息交流的编码，包括 26 个字母（大小写）、数字和标点符号等，用一个字节（8 位）表示这些字符，实际只编到了第 127 个，这就是 ASCII (American Standard Code for Information Interchange) 编码。

ASCII 扩展码

计算机传到其他国家，发现有些本国的字符在 ASCII 码中没有，就将这些字符编到 ASCII 剩余的位置（128 到 255），这就是 ASCII 扩展码。

gb2312

中文常用的汉字就 6000 多个，中国人采用 gb2312 编码，使用两个字节（16 位），有 65536 个编码位。前 127 个和 ASCII 一样，后面的是汉字的编码。原先的 ASCII 就是半角符号，后来新编的就是全角符号。“英文占一个字节，汉字占两个字节”，说的就是这套编码。

gbk

gb2312 + 生僻字 = gbk

gb10830

gbk + 少数民族文字 = gb10830

Unicode

国际标准化组织制定出一套包含全世界所有语言文字的编码，大家都用这套编码，免得乱七八糟的，谁也不认识谁，这套编码就是 Unicode。

utf

Unicode 只是一套标准，它只是规定了数字多少对应哪个字符，但它不是计算机内部可用的具体实现，就需要有给具体的方案，将数字和字符的对照表输入到计算机内让机器也认识，utf 就是 Unicode Transformation Format 的缩写，意为 Unicode 转换格式。

utf24

Unicode 最长的编码需要 24 位，用 3 个字节表示一个字符，这个方案就被称为 utf24。这个想法好是好，但是不符合实际情况。计算机一次读取的字节只能是 1、2、4、8 这样子，不能一次读 3个字节，所以 24 位的方案很快就被放弃了。

utf32

用 4 个字节表示一个字符，这个方案就被称为 utf32。优点是简单明确，不管是什么字符，全都按 4 位读取，简单明了。但缺点是浪费空间，本来最多 3 个字节就够了，但这每个字符至少浪费了一个字节。像英文这种一个字节就够，最低位是具体内容，其余 3 位都是 0，直接有 3 位是浪费的，也就是说一个 1GB 的英文文档，需要 4GB 的存储空间，生生的浪费的 3 倍。

utf16

有人提出用 16 位就够了，那些一个字节的两个字节的字符直接用，三个字节的通过某种算法可以使用两个字节来实现。使用 16 位来实现 Unicode 的码表，这套方案就是 utf16。

utf8

utf8 是一个变长方案，对于英文，只要一个字节就行，汉字则需要 3 个字节。

二、char * 和 QString 编码问题

char * 类型字符串是什么编码？

对于程序内部声明的字符串，char * 的编码取决于程序源文件的编码，源文件是什么编码，字符串就是什么编码。

对于程序外部传入的字符串，比如从 argv 中读取的字符串，其编码与源文件的编码无关，只看当前操作系统的编码。

QString 是什么编码？

Qt 的文档中明确指出，QString 内部使用的是 Unicode 编码，具体实现方案是 utf16。在使用char * 构造 QString 实例的时候，QString 默认将 char * 当作是 utf8 编码去构造，即：QString s(char *) 等价于 QString s = QString::fromUtf8(char*)。

同样是使用 char * 构造 QString，为什么有的时候是乱码，有的时候就不是乱码？这取决于你的char * 是什么编码了，如果是 utf8 的，就不会有乱码问题，如果是 gbk 的，就会出现乱码的情况。

三、字符串长度

QString 字符串长度

只要 QString 能够正常构造，没有乱码，不管是英文还是中文，都占一个长度。别忘了，QString 用的是 utf16 方案，一个长度占两个字节。

char * 字符串长度

char * 的长度需要看具体的编码了，gbk 是英文一个长度，汉字两个长度，这里一个长度占一个字节。utf8 是英文一个长度，汉字三个长度，这里的一个长度也是一个字节。

所以，不要太相信你的 strlen 函数，关键是得看你是什么编码。

四、QTextCodec::setCodecForLocale 的真正含义

这个函数真正的作用只是告诉你的程序，当前程序内部使用的字符编码是什么。这个函数无法对外部传入和内部声明的字符串产生影响，和系统的编码或者源文件的编码无关。

经测试，这个函数只对 QString 的 Local8bit 函数有影响。如果用这个函数将程序编码设置为 gbk，那么 Local8bit 就是 gbk，如果设置的编码是 utf8，Local8bit 就是 utf8。用了这个函数解决了中文乱码问题一定是因为使用了 QString 的 toLocal8bit 或者 fromLocal8bit，否则这个函数不会对中文乱码问题有任何影响。

假设你的系统是 gbk 的编码，进程默认使用的编码也是 gbk，这时候拿到一个 utf8 的 char *，然后用 fromLocal8bit 来构造 QString，这时候的 Local8bit 是 gbk，但 char 是 utf8，用 gbk 的规则去构造 utf8 的编码就乱码了。

五、char * 转 QString

utf8 的 char * 转 QString

如果 char *是 utf8 的，QString 默认将 char * 当 utf8 处理，用 QString s(char *) 或者 QString s = QString::fromUtf8(char*) 直接构造就行了。

gbk 的 char * 转 QString

如果 char * 是 gbk 的，需要先用 QTextCodec::setCodecForLocale 将 Local8bit 设置成 gbk，再使用 fromLocal8bit 来构造。

QTextCodec::setCodecForLocale(QTextCodec::codecForName("GBK"));

QString s = QString::fromLocal8bit(char*);

不确定编码的 char * 转 QString

在实际编程的时候，经常不确定这个 char * 是 utf8 的还是 gbk 的，这时候可以用下面的方法进行构造。这段代码的含义是，先将 char * 转成 utf8，看是否成功，不成功再转成 gbk。

char * c = "abcdefg";
QTextCodec::ConverterState state;
QString s = QTextCodec::codecForName("UTF-8")->toUnicode(c, strlen(c), &state);
if(state.invalidChars > 0)
{s = QTextCodec::codecForName( "GBK" )->toUnicode(c);
}

 在 Qt5 中使用 QString::QStringLiteral 这个宏来处理中文乱码问题，这个宏是官方提供专门处理乱码问题的。

tr() 不是处理中文乱码的，这个函数是用来处理多语言问题的。

六、Windows 系统本地字符集编码

在 windows 命令行终端模式下，输入命令：chcp

如上图，我的活动代码页为 936，意思是“中国-简体中文 (GB2312)"

下表列出了所有支持的代码页及其国家(地区)或者语言：

代码页	国家(地区)或语言
437	美国
708	阿拉伯文(ASMO 708)
720	阿拉伯文(DOS)
850	多语言(拉丁文 I)
852	中欧(DOS)-斯拉夫语(拉丁文 II)
855	西里尔文(俄语)
857	土耳其语
860	葡萄牙语
861	冰岛语
862	希伯来文(DOS)
863	加拿大-法语
865	日耳曼语
866	俄语-西里尔文(DOS)
869	现代希腊语
874	泰文(Windows)
932	日文(Shift-JIS)
936	中国-简体中文(GB2312)
949	韩文
950	繁体中文(Big5)
1200	Unicode
1201	Unicode (Big-Endian)
1250	中欧(Windows)
1251	西里尔文(Windows)
1252	西欧(Windows)
1253	希腊文(Windows)
1254	土耳其文(Windows)
1255	希伯来文(Windows)
1256	阿拉伯文(Windows)
1257	波罗的海文(Windows)
1258	越南文(Windows)
20866	西里尔文(KOI8-R)
21866	西里尔文(KOI8-U)
28592	中欧(ISO)
28593	拉丁文 3 (ISO)
28594	波罗的海文(ISO)
28595	西里尔文(ISO)
28596	阿拉伯文(ISO)
28597	希腊文(ISO)
28598	希伯来文(ISO-Visual)
38598	希伯来文(ISO-Logical)
50000	用户定义的
50001	自动选择
50220	日文(JIS)
50221	日文(JIS-允许一个字节的片假名)
50222	日文(JIS-允许一个字节的片假名-SO/SI)
50225	韩文(ISO)
50932	日文(自动选择)
50949	韩文(自动选择)
51932	日文(EUC)
51949	韩文(EUC)
52936	简体中文(HZ)
65000	Unicode (UTF-7)
65001	Unicode (UTF-8)

.cpp 或 .h 文件从 window 上传到 Ubuntu 后会显示乱码，原因是因为 ubuntu 环境设置默认是 utf-8，Windows 系统本地字符集默认编码为 GBK。

在简体中文 windows 系统下，ANSI编码代表 GBK/GB2312 编码。

七、中文乱码现象

如果在 Qt Creator 中无法输入中文，则选择“编辑”>“Select Encoding…”>“GBK…”或“UTF8+BOM”，点击“按编码重新载入”，此时就可以输入中文了。

列举最常用的 3 个编译器（微软 VC++ 的 cl 编译器，MinGW 中的 g++，Linux 下的 g++），源代码分别采用 GBK 和无 BOM 的 UTF-8 以及有 BOM 的 UTF-8 这 3 种编码进行保存，发生的现象如下表所示：       

★★★★★

情况1：指的是 Local 字符集为 GBK 情况2：指的是 Local 字符集为 UTF-8
源代码的编码	编译器	显示正常	显示乱码
GBK	win vs cl	情况1	情况2
	win MinGW-g++	情况1	情况2
	linux g++	情况1	情况2
UTF-8（无 BOM）	win vs cl	编译失败 error C2001：常量中有换行符	编译失败 error C2001：常量中有换行符
	win MinGW-g++	情况2	情况1
	linux g++	情况2	情况1
UTF-8（有 BOM）	win vs cl	情况1 情况2（有 #pragma 预处理）	情况2（有 #pragma 预处理）
	win MinGW-g++	情况2	情况1
	linux g++	情况2	情况1

源代码的编码：“菜单” -> “工具” -> “选项” -> “文本编辑器” -> “行为” -> “文件编码” -> “默认编码”

常用的选项有以下几个：

System （简体中文 windows 系统默认指的是 GBK 编码）

GBK/windows-936-2000/CP936/MS936/windows-936

UTF-8

Local 字符集：取决于 QTextCodec * codec = QTextCodec::codecForName();

当使用 Visual C++ 编译程序的时候，它会分析源文件采用何种编码，有 BOM 标识符则可以正确识别其编码是 UTF-8，若没有 BOM 标识符则认为其使用本地字符集编码（Local 字符集）。

如果源文件是 UTF-8+BOM 的编码方式，还需要在头文件加入：

#if defined(_MSC_VER) && (_MSC_VER >= 1600)
#pragma execution_character_set("utf-8")
#endif

或者在 .pro 文件中添加：

QMAKE_CXXFLAGS += /utf-8

如果源文件是 UTF-8+无 BOM 的编码方式，则一定不能加 #pragma execution_character_set(“utf-8”)，不然会产生乱码。

当 QTextCodec::codecForName("utf-8") 时：

QString::fromLocal8Bit 和 QString::fromUtf8 是等效的。

当 QTextCodec::codecForName("gbk") 时：

QString::fromLocal8Bit 和 QString::fromUtf8 是不等效的。

★★★★★

如果该工程不需要跨平台使用（只在 Win），那么工程设置请使用 GBK 的编码方式；

如果该工程要跨平台使用（Win+Linux），那么工程设置请使用 UTF-8+BOM 的编码方式，Local 字符集设置为 UTF-8。

UTF-8 和 GBK 其实对英文和数字都是一样的 ASCII 单字节编码，所以源文件用英文和数字是肯定不乱码，主要是汉字之类的本地语言文字编码显示容易出错。

Windows 系统里一般的记事本、编辑器、VC++ 开发环境等都是默认用 GBK 汉字编码，而  Linux 和 Qt 都是默认用 UTF-8 国际文字编码，所以文本显示乱码一般都是这个原因。

八、“UTF-8 无 BOM 格式”和 “UTF-8 带 BOM 格式”的区别

BOM—Byte Order Mark，就是字节序标记。

UTF-8 带 BOM 格式，就是在文件头添加了 3 个 bits 的 b'\xef\xbb\xbf'字符。

通常编程，特别是 Linux 下编程建议使用 “UTF-8 无 BOM 格式”，这种不含 BOM 的 UTF-8 才是标准形式，由于含有 BOM 的 UTF-8 常常和 Linux 系统经常使用的 #！ 冲突。

若是在 windows 下编程，建议使用 “UTF-8 带 BOM 格式”，这样比较好。

如今只有微软还在坚持使用带 BOM 格式的 UTF-8，由于它便于较快的与不少本地编码，如 gbk，ascii 相区分。总之，微软为了向前兼容性，一直坚持使用带 BOM 格式的 UTF-8。

九、查看 Qt Creator 源文件的编码格式

点击菜单 “工具” -> “选项” -> “文本编辑器”，右边选择“显示”，看到下图：

选中 “Display file encoding”，然后点击 “OK” 按钮，就可以在编辑器右上角看到当前文件的编码格式：

十、解决中文乱码的方法

总结下，解决中文乱码的方法：

其中，源代码的编码：“菜单” -> “工具” -> “选项” -> “文本编辑器” -> “行为” -> “文件编码” -> “默认编码”；Local字符集：取决于QTextCodec *codec = QTextCodec::codecForName();

必须保证源文件的编码和显示文字的编码保持一致，否则中文乱码。

放了方便起见，通常将源文件的编码和显示文字的编码设置保持一致。

如果没有设置 Local 字符集，则使用默认系统的字符编码方式，windows 下是 GBK 编码，Linux 下是 UTF-8 编码。

直接输入文字，QString 默认将 char * 当作是 UTF-8 编码去构造。

情况1：如果是msvc 2013/2015/2017等编译器

(1) 源文件编码设置为 GBK

• Local字符集设置为 GBK

采用 QString::fromLocal8Bit() 对中文进行转码，则显示正常，否则乱码；因为设置了本地字符集为 GBK 编码，fromLocal8Bit() 就是将中文转换为 GBK 编码。

• 没有设置 Local 字符集

如果没有设置 Local 字符集编码方式，则 Qt 采用默认的系统字符编码方式 GBK，和上述 “Local字符集设置为GBK” 转码方法相同。

• Local 字符集设置为其它编码方式，如 UTF-8

中文显示乱码，因为无法将显示文字的编码方式设为 GBK。

(2) 源文件编码设置为 UTF-8（无 BOM）

大概率报错：编译失败，error C2001: 常量中有换行符

有时候能显示出来，如果没报错：

• Local 字符集设置为 UTF-8

直接输入中文（QString 默认将 char * 当作是 UTF-8 编码去构造）、采用 QString::fromLocal8Bit()（此时本地字符集为 UTF-8）、采用 QString::fromUtf8() 都能显示正常。

• 没有设置 Local 字符集

如果没有设置 Local 字符集编码方式，则 Qt 采用默认的系统字符编码方式 GBK，QString::fromLocal8Bit()（此时本地字符集为 GBK）则显示乱码，直接输入、采用QString::fromUtf8() 都能显示正常。

• Local 字符集设置为其它编码方式，如 GBK

和上述“没有设置 Local 字符集”相同，QString::fromLocal8Bit()（此时本地字符集为 GBK）则显示乱码，直接输入、采用 QString::fromUtf8() 都能显示正常。

(3) 源文件编码设置为 UTF-8（有 BOM）

• Local 字符集设置为 UTF-8

需要先进行以下设置：

在 main 函数头文件下面添加以下语句

#if defined(_MSC_VER) && (_MSC_VER >= 1600)
#pragma execution_character_set("utf-8")
#endif

或者在 .pro 文件中添加

QMAKE_CXXFLAGS += /utf-8

设置完成后，直接输入中文（QString 默认将 char * 当作是 UTF-8 编码去构造）、采用QString::fromLocal8Bit()（此时本地字符集为 UTF-8）、采用 QString::fromUtf8() 都能显示正常。

• 没有设置Local字符集

直接输入、采用 QString::fromUtf8() 都显示乱码，QString::fromLocal8Bit()显示正常。

如果进行以下设置，则直接输入、采用 QString::fromUtf8() 都显示正常，而 QString::fromLocal8Bit() 显示乱码。

在 main 函数头文件下面添加以下语句

#if defined(_MSC_VER) && (_MSC_VER >= 1600)
#pragma execution_character_set("utf-8")
#endif

或者在 .pro 文件中添加

QMAKE_CXXFLAGS += /utf-8

• Local 字符集设置为其它编码方式，如 GBK

和上述“没有设置 Local 字符集”相同，直接输入、采用 QString::fromUtf8() 都显示乱码，QString::fromLocal8Bit() 显示正常。

如果进行以下设置，则直接输入、采用 QString::fromUtf8() 都显示正常，而 QString::fromLocal8Bit() 显示乱码。

在 main 函数头文件下面添加以下语句

#if defined(_MSC_VER) && (_MSC_VER >= 1600)
#pragma execution_character_set("utf-8")
#endif

或者在 .pro 文件中添加

QMAKE_CXXFLAGS += /utf-8

情况2：如果是MinGW编译器

(1) 源文件编码设置为 GBK

• Local 字符集设置为 GBK

采用 QString::fromLocal8Bit() 对中文进行转码，则显示正常，否则乱码；因为设置了本地字符集为 GBK 编码，fromLocal8Bit() 就是将中文转换为 GBK 编码。

• 没有设置 Local 字符集

如果没有设置 Local 字符集编码方式，则 Qt 采用默认的系统字符编码方式 GBK，和上述 “Local 字符集设置为 GBK” 转码方法相同。

• Local 字符集设置为其它编码方式，如 UTF-8

中文显示乱码，因为无法将显示文字的编码方式设为 GBK。

(2) 源文件编码设置为 UTF-8（无 BOM）

• Local 字符集设置为 UTF-8

直接输入中文（QString 默认将 char * 当作是 UTF-8 编码去构造）、采用 QString::fromLocal8Bit()（此时本地字符集为 UTF-8）、采用 QString::fromUtf8() 都能显示正常。

• 没有设置 Local 字符集

如果没有设置 Local 字符集编码方式，则 Qt 采用默认的系统字符编码方式 GBK，QString::fromLocal8Bit()（此时本地字符集为 GBK）则显示乱码，直接输入、采用 QString::fromUtf8() 都能显示正常。

• Local 字符集设置为其它编码方式，如 GBK

和上述“没有设置 Local 字符集”相同，QString::fromLocal8Bit()（此时本地字符集为 GBK）则显示乱码，直接输入、采用 QString::fromUtf8() 都能显示正常。

(3) 源文件编码设置为 UTF-8（有 BOM）

UTF-8 有 BOM和无 BOM 对 MinGW 编译器没有影响。

• Local 字符集设置为 UTF-8

直接输入中文（QString 默认将 char * 当作是 UTF-8 编码去构造）、采用 QString::fromLocal8Bit()（此时本地字符集为 UTF-8）、采用 QString::fromUtf8() 都能显示正常。

• 没有设置 Local 字符集

如果没有设置 Local 字符集编码方式，则 Qt 采用默认的系统字符编码方式 GBK，QString::fromLocal8Bit()（此时本地字符集为 GBK）则显示乱码，直接输入（等价于 QString::fromUtf8()）、采用 QString::fromUtf8() 都能显示正常。

• Local 字符集设置为其它编码方式，如 GBK

和上述“没有设置 Local 字符集”相同，QString::fromLocal8Bit()（此时本地字符集为 GBK）则显示乱码，直接输入、采用 QString::fromUtf8() 都能显示正常。

在 Qt5 中使用 QString::QStringLiteral 这个宏来处理中文乱码问题，这个宏是官方提供专门处理乱码问题的。