我似乎在将字节数组(包含word文档中的文本)转换为LPTSTR(wchar_t *)对象时遇到问题。每次代码执行时,我都会收到一堆不需要的Unicode字符。
我认为这是因为我没有在某个地方进行正确的调用,或者没有正确使用变量,但不太确定如何处理这个问题。希望这里有人能引导我朝着正确的方向前进。
我们首先调用C#代码来打开Microsoft Word并将文档中的文本转换为字节数组。
byte document __gc[];
document = word->ConvertToArray(filename);
文件内容如下:
{84, 101, 115, 116, 32, 68, 111, 99, 117, 109, 101, 110, 116, 13, 10}
最终成为以下字符串:“测试文档”。
我们的下一步是分配内存以将字节数组存储到LPTSTR变量
中byte __pin * value;
value = &document[0];
LPTSTR image;
image = (LPTSTR)malloc( document->Length + 1 );
一旦我们执行了开始分配内存的行,我们的图像变量就会被一堆不需要的Unicode字符填充:
췍췍췍췍췍췍췍췍﷽﷽����˿於潁
然后我们做一个memcpy转移所有数据
memcpy(image,value,document->Length);
这会导致出现更多不需要的Unicode字符:
敔瑳䐠捯浵湥൴촊﷽﷽����˿於潁
我认为我们遇到的问题要么与我们如何在字节数组中存储值有关,要么与我们将数据从字节数组复制到LPTSTR变量有关。任何帮助解释我做错了什么,或任何指向我正确方向的任何帮助将不胜感激。
答案 0 :(得分:6)
首先,您应该了解一些有关文本数据及其表示方式的信息。可以帮助您入门的参考资料是The Absolute Minimum Every Software Developer Absolutely, Positively Must Know About Unicode and Character Sets (No Excuses!)
byte
只是char
或unsigned char
的typedef。所以字节数组对字符串使用了一些char
编码。您需要实际将该编码(无论是什么)转换为Windows wchar_t
的UTF-16。以下是推荐在Windows上进行此类转换的典型方法:
int output_size = MultiByteToWideChar(CP_ACP,0,value,-1,NULL,0);
assert(0<output_size);
wchar_t *converted_buf = new wchar_t[output_size];
int size = MultiByteToWideChar(CP_ACP,0,value,-1,converted_buf,output_size);
assert(output_size==size);
我们调用函数MultiByteToWideChar()
两次,一次计算出需要多大的缓冲区来保存转换结果,第二次调用我们分配的缓冲区来进行实际的转换
CP_ACP
指定源编码,您需要检查API文档以确定该值应该是什么。 CP_ACP
代表“代码页:安西代码页”,这是微软说“非Unicode”程序的编码集的方式。 API可能正在使用其他内容,例如CP_UTF8
(我们可以希望)或1252或其他。
您可以在MultiByteToWideChar here上查看其余文档,以找出其他参数。
一旦我们执行了开始分配内存的行,我们的图像变量就会被一堆不需要的Unicode字符填充:
当您致电malloc()
时,给您的内存未初始化且只包含垃圾。在初始化之前看到的值无关紧要,您根本不应该使用该数据。唯一重要的数据是填充缓冲区的内容。上面的MultiByteToWideChar()
代码也将自动为null终止字符串,这样你就不会在未使用的缓冲区空间中看到垃圾(我们使用的分配缓冲区的方法不会留下任何额外的空间)。
上面的代码实际上并不是很好的C ++风格。这只是Win32提供的C风格API的典型用法。我喜欢做转换的方式(如果我被迫)更像是:
std::wstring_convert<std::codecvt_utf8_utf16<wchar_t>,wchar_t> convert; // converter object saved somewhere
std::wstring output = convert.from_bytes(value);
(假设使用的char
编码是UTF-8。您必须使用不同的codecvt
构面进行任何其他编码。)