背景
在寫跨平臺的C/C++代碼過程中（本文的研究只限於C/C++範疇），經常會遇到中文字符串亂碼的問題。比如，同一個源碼，用MSVC編譯/運行能正常顯示中文字符串，但在linux下編譯/運行顯示中文字符串就亂碼。
導致這種現象的根源就在於字符集編碼不匹配導致，本文將探索隱藏在編程過程中鮮爲人知的字符集轉換問題，如果你徹底理解了以下幾個字符集的概念，以及編程過程中哪些因素會影響這些字符集，將有助於你從根源上解決亂碼問題。
源碼字符集：
英文the source character set，是指源代碼文件是使用何種編碼字符集保存的。執行字符集：
英文the execution character set，是指源代碼經過編譯、鏈接後的可執行文件是使用何種編碼字符集保存的，程序實際執行時，內存中的字符串編碼就是執行字符集。運行環境編碼：
是指操作系統（或者當前控制檯環境）用於顯示文字的編碼字符集。
亂碼的根源
源代碼文件（源碼字符集）經過編譯/鏈接，生成可執行文件（執行字符集），最後程序運行於實際環境中（運行環境編碼）。在這過程中如果有字符集不匹配，最終就無法顯示預期的文字信息，甚至產生亂碼。
編譯器在編譯源代碼時，會將源碼字符集轉化爲執行字符集，如果編譯器不能正確識別源碼字符集，就得不到正確的字符串數據。
可執行文件在實際運行環境中執行時，爲了在控制檯（或者其他UI）上顯示出字符串，就要將執行字符集轉化爲運行環境的字符集。如果運行環境的字符集與執行字符集不同，也會導致亂碼。
總結起來，要想使程序不會亂碼，必須滿足：
編譯器準確識別了源碼字符集，從而得到正確的字符串數據（執行字符集）。
運行環境的編碼與執行字符集相同。
字符集
有關字符集的介紹，以下這篇文章講解的很好，大家先看這篇文章，標題是“字符集編碼與 C/C++ 源文件字符編譯亂彈”，鏈接地址：http://jimmee.iteye.com/blog/2165685
此處引用其幾個概念的定義：
- C locale
ANSI 發佈的字符編碼標準，編碼空間 0x00-0x7F，佔用1個字節，上學時學的 C 語言書後面的字符表中就是它，因爲使用這個字符集中的字符就已經可以編寫 C 程序源代碼了，所以給這個字符集起一個 locale 名叫 C，所有實現的 C 語言運行時和系統運行時，都應該有這個 C locale，因爲它是所有字符集中最小的一個，設置爲其它 locale 時可能由於不存在而出錯，但設置 C 一定不會出錯，比如：當 Linux 的 LANG 配置出錯時，所有的 LC_* 變量就會被自動設置爲最小的 C locale。
- 單字節字符集（SBCS - Single-Byte Character Set）
像ASCII、ISO-8859-1 這種用1個字節編碼的字符集，叫做單字節字符集（SBCS - Single-Byte Character Set）。
- 多字節字符集（MBCS - Multi-Byte Character Set）
像GB2312，GBK，GB18030這種用1-2、4個不等字節編碼的字符集，叫做多字節字符集（MBCS - Multi-Byte Character Set）。
- GB2312，GBK，GB18030
GB18030：最新漢字編碼字符集，向下兼容GBK，GB2312；
GBK：漢字擴展編碼，向下兼容GB2312, 幷包含BIG5（繁體）全部漢字；
GB2312：簡化漢字編碼字符集；
源碼字符集
不同工具新建的源碼文件編碼格式不同
源代碼都是由不同操作系統的不同編輯工具產生的，不同工具新建的源碼文件編碼格式不同，比如拿我電腦來說：
- 在Windows下用VS2010新建的源碼文件是GB2312編碼格式。
- 在Windows下用notepad++新建的源碼文件是UTF-8編碼格式。
- 在Linux下用VI新建的源碼文件是UTF-8格式。
用以下工具可以方便確認文件的編碼格式
Linux命令file：
# file main.c
main.c: UTF-8 Unicode (with BOM) C program text, with CRLF, LF line terminators
在Windows下，沒有便利的命令可用，可以使用各種編輯工具的“另存爲”間接查看，比如Microsoft Visual Studio 2010菜單“文件 > 高級保存選項”。或者，如果你的windows下有安裝git，可以打開git bash按linux的方式查看。或者，如果你是windows 10版本，也可以利用原生支持的Linux Bash命令行查看。
文件編碼格式轉換
Linux下可以使用iconv進行轉化，如
# iconv -f UTF-8 -t GB2312 main.c
Windows很多編輯工具的“另存爲”都有轉換編碼格式的選項。比如Microsoft Visual Studio 2010菜單“文件 > 高級保存選項”。
執行字符集
源碼編譯成可執行文件，源碼字符集會轉換成執行字符集，可執行文件中的字符串常量就是執行字符集，可以通過WinHex、hd 等16進制查看工具，對執行文件進行查看。可執行文件中的字符串常量字節流，跟程序運行起來內存中的字節流是一樣的。
先看下編譯器如何識別源碼文件，編譯過程中又是如何將源碼字符集轉化爲執行字符集的。拿Microsoft Visual Studio 2010和GCC做舉例。
MSVC(SP1)
識別“源碼字符集：
源碼文件有BOM簽名的，就按BOM的編碼來解析源文件；否則使用本地Locale字符集解析源文件（隨系統設置而變）。轉化“執行字符集”：
對於char類型，如果有設置預處理選項“#pragma execution_character_set”，編譯源碼時，轉換爲預編譯所設定的執行字符集；否則使用本地Locale作爲執行字符集。對於wchar_t類型，總是使用UTF-16編碼。
注意：#pragma execution_character_set預處理指令是在Microsoft Visual Studio 2010 SP1以上纔有，Microsoft Visual Studio 2010要打上SP1補丁才支持。所以代碼要類似這樣寫：
#if _MSC_VER >= 1600 /* 1600 is Microsoft Visual Studio 2010 */
#pragma execution_character_set("utf-8")
#endif
GCC
GCC的源碼字符集與執行字符集默認都是UTF-8編碼，也就是說默認情況下GCC都是按UTF-8來解析源碼，編譯後的執行字符集也是UTF-8。當然GCC也提供改變默認情況的編譯選項（注意是編譯過程中的選項，不是鏈接過程）。
-finput-charset=charset 用於指定源碼字符集
-fexec-charset=charset 用於指定執行字符集
除了前兩個選項外，還有一個：
-fwide-exec-charset=charset
以下的測試程序，能佐證上面的觀點：
#include <stdio.h>
#include <stdlib.h>
#include <string.h>
#if _MSC_VER >= 1600 /* 1600 is Microsoft Visual Studio 2010 */
#pragma execution_character_set("utf-8")
#endif
int main(int argc, char *argv[])
{
char *str = "123漢ABC";
char *p;
printf("%d |", strlen(str));
for(p=str; *p; p++) {
printf(" %.2X", (unsigned char)(*p));
}
printf(" | %s\n", str);
return 0;
}以下表格個字段含義解釋：
源碼字符集：使用WinHex查看源碼中字符串常量字節流，使用Microsoft Visual Studio 2010菜單“文件 > 高級保存選項”來轉換源碼字符集。
執行字符集：使用WinHex查看可執行文件中字符串常量的字節流。
是否設置windows預編譯選項：#pragma execution_character_set(“utf-8”)
是否設置Linux編譯選項：-finput-charset和-fexec-charse
紅色顯示的就是“漢”的編碼：“漢”的GBK編碼爲BA BA，UTF-8編碼爲E6 B1 89
Microsoft Visual Studio 2010編譯器測試數據：
GCC（版本gcc version 4.4.5）測試數據：
運行環境編碼
如果運行環境編碼（字符集）與執行字符集不同，也會導致亂碼，從上面的測試數據中也能看出來這點。爲了顯示正確的字符，可以通過修改運行環境編碼（字符集），讓其跟執行字符集保持一致即可。
Windows控制檯運行環境編碼
要查看windows控制檯當前的運行環境編碼，可以在cmd.exe輸入chcp，或者在cmd.exe標題欄右鍵屬性查看，顯示結果類似“活動的代碼頁: 936”。
如果要修改編碼，可在cmd.exe輸入CHCP [nnn]回車，其中nnn指定的是代碼頁的編號。比如將控制檯的字符集改爲UTF-8：chcp 65001
代碼頁（Code Page）是字符集編碼的別名，也有人稱”內碼錶”。如936是簡體中文（GBK）的代碼頁編號，65001是UTF8的代碼頁編號。
Linux終端運行環境編碼
我們知道linux系統有六個字符終端（tty1~tty6）和一個圖形桌面（GUI窗口，tty7）,從圖形桌面切換到字符終端，只需按快捷鍵CTRL+ALT+F1，或CTRL+ALT+F2……CTRL+ALT+F6。要切換回圖形桌面，只需按快捷鍵CTRL+ALT+F7。
“終端”在歷史早期是屬於硬件設備，我們現在說的linux終端（Terminal ），主要包括兩種類型：“虛擬終端”和“模擬終端”。
虛擬終端：指的是字符終端tty1~tty6；
模擬終端：指的是圖形桌面中的終端，我更喜歡它的另外一個名稱“終端模擬程序（Terminal Emulation Program）”或者“終端模擬器（Terminal Emulator）”，它是一個程序，明顯的特徵是帶有窗口，如Ubuntu默認的終端模擬器GNOME，還有我們平常在Windows系統中遠程登錄（SHH/Telnet等）到linux中用的終端也是終端模擬器。
網上很多資料說linux終端要支持中文，只要修改locale環境變量即可，但這些方法對我都不奏效，不管是在字符終端，還是圖形桌面終端，修改locale不能讓我上面的測試程序在終端中打印出GBK編碼的“漢”字（打印出來都是亂碼）。可能是我我研究的還不夠深入，不過我使用以下這些方法也能讓我打印出GBK編碼的“漢”字，不管這種方法主不主流，那不是本文討論的範疇，我要強調的一件事是：運行環境編碼（字符集）與執行字符集不同，也會導致亂碼，如果兩個字符集一樣，就不會亂碼。
先說說圖形桌面的終端模擬器，終端模擬器要支持中文比較簡單，只要在窗口標題欄菜單中設定字符編碼即可。如Ubuntu的圖形桌面默認的終端是，GNOME 桌面的終端模擬器，要改變其字符編碼格式，在菜單“終端 > 設定字符編碼”中改變，如下圖所示。Windows下遠程登錄的終端模擬器也是如此修改，畢竟他們都是帶有窗口的程序而已，修改起來簡單。
tty1~tty6字符終端要顯示中文就比較麻煩了，幾乎任何一種linux發行版，在tty1~tty6字符終端中都無法正常顯示中文（中文會顯示成亂碼），即使你在圖形桌面（tty7）中已經安裝中文語言支持（已經能夠在終端模擬器中顯示中文），也是沒個卵用。
要在tty1~tty6中顯示中文，就得裝一些中文化接口的軟件，如cce、zhcon或fbterm等。
zhcon是一個工作在Linux控制檯下的多內碼中文平臺。 它能夠在控制檯上顯示簡體中文、繁體中文、日文、韓文等雙字節字符。它的項目主頁是：http://sourceforge.net/projects/zhcon
下面就拿zhcon舉例（我的環境是Ubuntu環）。
安裝
# sudo apt-get install zhcon
啓動
# zhcon
不帶參數運行zhcon，默認的編碼是gb2312，要utf8編碼就要帶參數：
# zhcon --utf8 --drv=auto
