]> git.saurik.com Git - wxWidgets.git/blobdiff - docs/doxygen/overviews/unicode.h
adding a new topic overview about writing custom widgets; currently there's no offici...
[wxWidgets.git] / docs / doxygen / overviews / unicode.h
index 657368058172d3ef0c6de9bdad6ab639eaf3bb41..699d1f68f62d3223ad4c535ca8eb5f89f55d4ad6 100644 (file)
 
 @page overview_unicode Unicode Support in wxWidgets
 
 
 @page overview_unicode Unicode Support in wxWidgets
 
-This section briefly describes the state of the Unicode support in wxWidgets.
-Read it if you want to know more about how to write programs able to work with
-characters from languages other than English.
+This section describes how does wxWidgets support Unicode and how can it affect
+your programs.
 
 
+Notice that Unicode support has changed radically in wxWidgets 3.0 and a lot of
+existing material pertaining to the previous versions of the library is not
+correct any more. Please see @ref overview_changes_unicode for the details of
+these changes.
+
+You can skip the first two sections if you're already familiar with Unicode and
+wish to jump directly in the details of its support in the library:
 @li @ref overview_unicode_what
 @li @ref overview_unicode_what
-@li @ref overview_unicode_ansi
+@li @ref overview_unicode_encodings
 @li @ref overview_unicode_supportin
 @li @ref overview_unicode_supportin
+@li @ref overview_unicode_pitfalls
 @li @ref overview_unicode_supportout
 @li @ref overview_unicode_settings
 @li @ref overview_unicode_supportout
 @li @ref overview_unicode_settings
-@li @ref overview_unicode_traps
-
 
 <hr>
 
 
 @section overview_unicode_what What is Unicode?
 
 
 <hr>
 
 
 @section overview_unicode_what What is Unicode?
 
-wxWidgets has support for compiling in Unicode mode on the platforms which
-support it. Unicode is a standard for character encoding which addresses the
-shortcomings of the previous, 8 bit standards, by using at least 16 (and
-possibly 32) bits for encoding each character. This allows to have at least
-65536 characters (what is called the BMP, or basic multilingual plane) and
-possible 2^32 of them instead of the usual 256 and is sufficient to encode all
-of the world languages at once. More details about Unicode may be found at
-<http://www.unicode.org/>.
-
-As this solution is obviously preferable to the previous ones (think of
-incompatible encodings for the same language, locale chaos and so on), many
-modern operating systems support it. The probably first example is Windows NT
-which uses only Unicode internally since its very first version.
-
-Writing internationalized programs is much easier with Unicode and, as the
-support for it improves, it should become more and more so. Moreover, in the
-Windows NT/2000 case, even the program which uses only standard ASCII can
-profit from using Unicode because they will work more efficiently - there will
-be no need for the system to convert all strings the program uses to/from
-Unicode each time a system call is made.
-
-
-@section overview_unicode_ansi Unicode and ANSI Modes
-
-As not all platforms supported by wxWidgets support Unicode (fully) yet, in
-many cases it is unwise to write a program which can only work in Unicode
-environment. A better solution is to write programs in such way that they may
-be compiled either in ANSI (traditional) mode or in the Unicode one.
-
-This can be achieved quite simply by using the means provided by wxWidgets.
-Basically, there are only a few things to watch out for:
-
-- Character type (@c char or @c wchar_t)
-- Literal strings (i.e. @c "Hello, world!" or @c '*')
-- String functions (@c strlen(), @c strcpy(), ...)
-- Special preprocessor tokens (@c __FILE__, @c __DATE__ and @c __TIME__)
-
-Let's look at them in order. First of all, each character in an Unicode program
-takes 2 bytes instead of usual one, so another type should be used to store the
-characters (@c char only holds 1 byte usually). This type is called @c wchar_t
-which stands for @e wide-character type.
-
-Also, the string and character constants should be encoded using wide
-characters (@c wchar_t type) which typically take 2 or 4 bytes instead of
-@c char which only takes one. This is achieved by using the standard C (and
-C++) way: just put the letter @c 'L' after any string constant and it becomes a
-@e long constant, i.e. a wide character one. To make things a bit more
-readable, you are also allowed to prefix the constant with @c 'L' instead of
-putting it after it.
-
-Of course, the usual standard C functions don't work with @c wchar_t strings,
-so another set of functions exists which do the same thing but accept
-@c wchar_t* instead of @c char*. For example, a function to get the length of a
-wide-character string is called @c wcslen() (compare with @c strlen() - you see
-that the only difference is that the "str" prefix standing for "string" has
-been replaced with "wcs" standing for "wide-character string").
-
-And finally, the standard preprocessor tokens enumerated above expand to ANSI
-strings but it is more likely that Unicode strings are wanted in the Unicode
-build. wxWidgets provides the macros @c __TFILE__, @c __TDATE__ and
-@c __TTIME__ which behave exactly as the standard ones except that they produce
-ANSI strings in ANSI build and Unicode ones in the Unicode build.
-
-To summarize, here is a brief example of how a program which can be compiled
-in both ANSI and Unicode modes could look like:
-
-@code
-#ifdef __UNICODE__
-    wchar_t wch = L'*';
-    const wchar_t *ws = L"Hello, world!";
-    int len = wcslen(ws);
-
-    wprintf(L"Compiled at %s\n", __TDATE__);
-#else // ANSI
-    char ch = '*';
-    const char *s = "Hello, world!";
-    int len = strlen(s);
-
-    printf("Compiled at %s\n", __DATE__);
-#endif // Unicode/ANSI
-@endcode
-
-Of course, it would be nearly impossibly to write such programs if it had to
-be done this way (try to imagine the number of UNICODE checkes an average
-program would have had!). Luckily, there is another way - see the next section.
+Unicode is a standard for character encoding which addresses the shortcomings
+of the previous, 8 bit standards, by using at least 16 (and possibly 32) bits
+for encoding each character. This allows to have at least 65536 characters
+(in what is called the BMP, or basic multilingual plane) and possible 2^32 of
+them instead of the usual 256 and is sufficient to encode all of the world
+languages at once. More details about Unicode may be found at
+http://www.unicode.org/.
+
+From a practical point of view, using Unicode is almost a requirement when
+writing applications for international audience. Moreover, any application
+reading files which it didn't produce or receiving data from the network from
+other services should be ready to deal with Unicode.
+
+
+@section overview_unicode_encodings Unicode Representations
+
+Unicode provides a unique code to identify every character, however in practice
+these codes are not always used directly but encoded using one of the standard
+UTF or Unicode Transformation Formats which are algorithms mapping the Unicode
+codes to byte code sequences. The simplest of them is UTF-32 which simply maps
+the Unicode code to a 4 byte sequence representing this 32 bit number (although
+this is still not completely trivial as the mapping is different for little and
+big-endian architectures). UTF-32 is commonly used under Unix systems for
+internal representation of Unicode strings. Another very widespread standard is
+UTF-16 which is used by Microsoft Windows: it encodes the first (approximately)
+64 thousands of Unicode characters using only 2 bytes and uses a pair of 16-bit
+codes to encode the characters beyond this. Finally, the most widespread
+encoding used for the external Unicode storage (e.g. files and network
+protocols) is UTF-8 which is byte-oriented and so avoids the endianness
+ambiguities of UTF-16 and UTF-32. However UTF-8 uses a variable number of bytes
+for representing Unicode characters which makes it less efficient than UTF-32
+for internal representation.
+
+From the C/C++ programmer perspective the situation is further complicated by
+the fact that the standard type @c wchar_t which is used to represent the
+Unicode ("wide") strings in C/C++ doesn't have the same size on all platforms.
+It is 4 bytes under Unix systems, corresponding to the tradition of using
+UTF-32, but only 2 bytes under Windows which is required by compatibility with
+the OS which uses UTF-16.
 
 
 @section overview_unicode_supportin Unicode Support in wxWidgets
 
 
 
 @section overview_unicode_supportin Unicode Support in wxWidgets
 
-In wxWidgets, the code fragment from above should be written instead:
-
+Since wxWidgets 3.0 Unicode support is always enabled and building the library
+without it is not recommended any longer and will cease to be supported in the
+near future. This means that internally only Unicode strings are used and that,
+under Microsoft Windows, Unicode system API is used which means that wxWidgets
+programs require the Microsoft Layer for Unicode to run on Windows 95/98/ME.
+
+However, unlike Unicode build mode in the previous versions of wxWidgets, this
+support is mostly transparent: you can still continue to work with the narrow
+(i.e. @c char*) strings even if wide (i.e. @c wchar_t*) strings are also
+supported. Any wxWidgets function accepts arguments of either type as both
+kinds of strings are implicitly converted to wxString, so both
+@code
+wxMessageBox("Hello, world!");
+@endcode
+and somewhat less usual
 @code
 @code
-wxChar ch = wxT('*');
-wxString s = wxT("Hello, world!");
-int len = s.Len();
+wxMessageBox(L"Salut \u00e0 toi!"); // 00E0 is "Latin Small Letter a with Grave"
 @endcode
 @endcode
+work as expected.
 
 
-What happens here? First of all, you see that there are no more UNICODE checks
-at all. Instead, we define some types and macros which behave differently in
-the Unicode and ANSI builds and allow us to avoid using conditional compilation
-in the program itself.
+Notice that the narrow strings used with wxWidgets are @e always assumed to be
+in the current locale encoding, so writing
+@code
+wxMessageBox("Salut à toi!");
+@endcode
+wouldn't work if the encoding used on the user system is incompatible with
+ISO-8859-1 (or even if the sources were compiled under different locale
+in the case of gcc). In particular, the most common encoding used under
+modern Unix systems is UTF-8 and as the string above is not a valid UTF-8 byte
+sequence, nothing would be displayed at all in this case. Thus it is important
+to never use 8 bit characters directly in the program source but use wide
+strings or, alternatively, write
+@code
+wxMessageBox(wxString::FromUTF8("Salut \xc3\xa0 toi!"));
+@endcode
 
 
-We have a @c wxChar type which maps either on @c char or @c wchar_t depending
-on the mode in which program is being compiled. There is no need for a separate
-type for strings though, because the standard wxString supports Unicode, i.e.
-it stores either ANSI or Unicode strings depending on the compile mode.
+In a similar way, wxString provides access to its contents as either wchar_t or
+char character buffer. Of course, the latter only works if the string contains
+data representable in the current locale encoding. This will always be the case
+if the string had been initially constructed from a narrow string or if it
+contains only 7-bit ASCII data but otherwise this conversion is not guaranteed
+to succeed. And as with wxString::FromUTF8() example above, you can always use
+wxString::ToUTF8() to retrieve the string contents in UTF-8 encoding -- this,
+unlike converting to @c char* using the current locale, never fails.
+
+To summarize, Unicode support in wxWidgets is mostly transparent for the
+application and if you use wxString objects for storing all the character data
+in your program there is really nothing special to do. However you should be
+aware of the potential problems covered by the following section.
+
+
+@section overview_unicode_pitfalls Potential Unicode Pitfalls
+
+The problems can be separated into three broad classes:
+
+@subsection overview_unicode_compilation_errors Unicode-Related Compilation Errors
+
+Because of the need to support implicit conversions to both @c char and @c
+wchar_t, wxString implementation is rather involved and many of its operators
+don't return the types which they could be naively expected to return. For
+example, the @c operator[] doesn't return neither a @c char nor a @c wchar_t
+but an object of a helper class wxUniChar or wxUniCharRef which is implicitly
+convertible to either. Usually you don't need to worry about this as the
+conversions do their work behind the scenes however in some cases it doesn't
+work. Here are some examples, using a wxString object @c s and some integer @c
+n:
+
+ - Writing @code switch ( s[n] ) @endcode doesn't work because the argument of
+   the switch statement must an integer expression so you need to replace
+   @c s[n] with @code s[n].GetValue() @endcode. You may also force the
+   conversion to char or wchar_t by using an explicit cast but beware that
+   converting the value to char uses the conversion to current locale and may
+   return 0 if it fails. Finally notice that writing @code (wxChar)s[n] @endcode
+   works both with wxWidgets 3.0 and previous library versions and so should be
+   used for writing code which should be compatible with both 2.8 and 3.0.
+
+ - Similarly, @code &s[n] @endcode doesn't yield a pointer to char so you may
+   not pass it to functions expecting @c char* or @c wchar_t*. Consider using
+   string iterators instead if possible or replace this expression with
+   @code s.c_str() + n @endcode otherwise.
+
+Another class of problems is related to the fact that the value returned by
+@c c_str() itself is also not just a pointer to a buffer but a value of helper
+class wxCStrData which is implicitly convertible to both narrow and wide
+strings. Again, this mostly will be unnoticeable but can result in some
+problems:
+
+ - You shouldn't pass @c c_str() result to vararg functions such as standard
+   @c printf(). Some compilers (notably g++) warn about this but even if they
+   don't, this @code printf("Hello, %s", s.c_str()) @endcode is not going to
+   work. It can be corrected in one of the following ways:
+
+  - Preferred: @code wxPrintf("Hello, %s", s) @endcode (notice the absence
+    of @c c_str(), it is not needed at all with wxWidgets functions)
+  - Compatible with wxWidgets 2.8: @code wxPrintf("Hello, %s", s.c_str()) @endcode
+  - Using an explicit conversion to narrow, multibyte, string:
+    @code printf("Hello, %s", (const char *)s.mb_str()) @endcode
+  - Using a cast to force the issue (listed only for completeness):
+    @code printf("Hello, %s", (const char *)s.c_str()) @endcode
+
+ - The result of @c c_str() can not be cast to @c char* but only to @c const @c
+   @c char*. Of course, modifying the string via the pointer returned by this
+   method has never been possible but unfortunately it was occasionally useful
+   to use a @c const_cast here to pass the value to const-incorrect functions.
+   This can be done either using new wxString::char_str() (and matching
+   wchar_str()) method or by writing a double cast:
+   @code (char *)(const char *)s.c_str() @endcode
+
+ - One of the unfortunate consequences of the possibility to pass wxString to
+   @c wxPrintf() without using @c c_str() is that it is now impossible to pass
+   the elements of unnamed enumerations to @c wxPrintf() and other similar
+   vararg functions, i.e.
+   @code
+        enum { Red, Green, Blue };
+        wxPrintf("Red is %d", Red);
+   @endcode
+   doesn't compile. The easiest workaround is to give a name to the enum.
+
+Other unexpected compilation errors may arise but they should happen even more
+rarely than the above-mentioned ones and the solution should usually be quite
+simple: just use the explicit methods of wxUniChar and wxCStrData classes
+instead of relying on their implicit conversions if the compiler can't choose
+among them.
+
+
+@subsection overview_unicode_data_loss Data Loss due To Unicode Conversion Errors
+
+wxString API provides implicit conversion of the internal Unicode string
+contents to narrow, char strings. This can be very convenient and is absolutely
+necessary for backwards compatibility with the existing code using wxWidgets
+however it is a rather dangerous operation as it can easily give unexpected
+results if the string contents isn't convertible to the current locale.
+
+To be precise, the conversion will always succeed if the string was created
+from a narrow string initially. It will also succeed if the current encoding is
+UTF-8 as all Unicode strings are representable in this encoding. However
+initializing the string using wxString::FromUTF8() method and then accessing it
+as a char string via its wxString::c_str() method is a recipe for disaster as the
+program may work perfectly well during testing on Unix systems using UTF-8 locale
+but completely fail under Windows where UTF-8 locales are never used because
+wxString::c_str() would return an empty string.
+
+The simplest way to ensure that this doesn't happen is to avoid conversions to
+@c char* completely by using wxString throughout your program. However if the
+program never manipulates 8 bit strings internally, using @c char* pointers is
+safe as well. So the existing code needs to be reviewed when upgrading to
+wxWidgets 3.0 and the new code should be used with this in mind and ideally
+avoiding implicit conversions to @c char*.
+
+
+@subsection overview_unicode_performance Unicode Performance Implications
+
+Under Unix systems wxString class uses variable-width UTF-8 encoding for
+internal representation and this implies that it can't guarantee constant-time
+access to N-th element of the string any longer as to find the position of this
+character in the string we have to examine all the preceding ones. Usually this
+doesn't matter much because most algorithms used on the strings examine them
+sequentially anyhow and because wxString implements a cache for iterating over
+the string by index but it can have serious consequences for algorithms
+using random access to string elements as they typically acquire O(N^2) time
+complexity instead of O(N) where N is the length of the string.
+
+Even despite caching the index, indexed access should be replaced with
+sequential access using string iterators. For example a typical loop:
+@code
+wxString s("hello");
+for ( size_t i = 0; i < s.length(); i++ )
+{
+    wchar_t ch = s[i];
 
 
-Finally, there is a special wxT() macro which should enclose all literal
-strings in the program. As it is easy to see comparing the last fragment with
-the one above, this macro expands to nothing in the (usual) ANSI mode and
-prefixes @c 'L' to its argument in the Unicode mode.
+    // do something with it
+}
+@endcode
+should be rewritten as
+@code
+wxString s("hello");
+for ( wxString::const_iterator i = s.begin(); i != s.end(); ++i )
+{
+    wchar_t ch = *i
 
 
-The important conclusion is that if you use @c wxChar instead of @c char, avoid
-using C style strings and use @c wxString instead and don't forget to enclose
-all string literals inside wxT() macro, your program automatically becomes
-(almost) Unicode compliant!
+    // do something with it
+}
+@endcode
 
 
-Just let us state once again the rules:
+Another, similar, alternative is to use pointer arithmetic:
+@code
+wxString s("hello");
+for ( const wchar_t *p = s.wc_str(); *p; p++ )
+{
+    wchar_t ch = *i
 
 
-@li Always use wxChar instead of @c char
-@li Always enclose literal string constants in wxT() macro unless they're
-    already converted to the right representation (another standard wxWidgets
-    macro _() does it, for example, so there is no need for wxT() in this case)
-    or you intend to pass the constant directly to an external function which
-    doesn't accept wide-character strings.
-@li Use wxString instead of C style strings.
+    // do something with it
+}
+@endcode
+however this doesn't work correctly for strings with embedded @c NUL characters
+and the use of iterators is generally preferred as they provide some run-time
+checks (at least in debug build) unlike the raw pointers. But if you do use
+them, it is better to use wchar_t pointers rather than char ones to avoid the
+data loss problems due to conversion as discussed in the previous section.
 
 
 @section overview_unicode_supportout Unicode and the Outside World
 
 
 
 @section overview_unicode_supportout Unicode and the Outside World
 
-We have seen that it was easy to write Unicode programs using wxWidgets types
-and macros, but it has been also mentioned that it isn't quite enough. Although
-everything works fine inside the program, things can get nasty when it tries to
-communicate with the outside world which, sadly, often expects ANSI strings (a
-notable exception is the entire Win32 API which accepts either Unicode or ANSI
-strings and which thus makes it unnecessary to ever perform any conversions in
-the program). GTK 2.0 only accepts UTF-8 strings.
-
-To get an ANSI string from a wxString, you may use the mb_str() function which
-always returns an ANSI string (independently of the mode - while the usual
-c_str() returns a pointer to the internal representation which is either ASCII
-or Unicode). More rarely used, but still useful, is wc_str() function which
-always returns the Unicode string.
-
-Sometimes it is also necessary to go from ANSI strings to wxStrings. In this
-case, you can use the converter-constructor, as follows:
-
+Even though wxWidgets always uses Unicode internally, not all the other
+libraries and programs do and even those that do use Unicode may use a
+different encoding of it. So you need to be able to convert the data to various
+representations and the wxString methods wxString::ToAscii(), wxString::ToUTF8()
+(or its synonym wxString::utf8_str()), wxString::mb_str(), wxString::c_str() and
+wxString::wc_str() can be used for this.
+The first of them should be only used for the string containing 7-bit ASCII characters
+only, anything else will be replaced by some substitution character.
+wxString::mb_str() converts the string to the encoding used by the current locale
+and so can return an empty string if the string contains characters not representable in
+it as explained in @ref overview_unicode_data_loss. The same applies to wxString::c_str()
+if its result is used as a narrow string. Finally, wxString::ToUTF8() and wxString::wc_str()
+functions never fail and always return a pointer to char string containing the
+UTF-8 representation of the string or wchar_t string.
+
+wxString also provides two convenience functions: wxString::From8BitData() and
+wxString::To8BitData(). They can be used to create a wxString from arbitrary binary
+data without supposing that it is in current locale encoding, and then get it back,
+again, without any conversion or, rather, undoing the conversion used by
+wxString::From8BitData(). Because of this you should only use wxString::From8BitData()
+for the strings created using wxString::To8BitData(). Also notice that in spite
+of the availability of these functions, wxString is not the ideal class for storing
+arbitrary binary data as they can take up to 4 times more space than needed
+(when using @c wchar_t internal representation on the systems where size of
+wide characters is 4 bytes) and you should consider using wxMemoryBuffer
+instead.
+
+Final word of caution: most of these functions may return either directly the
+pointer to internal string buffer or a temporary wxCharBuffer or wxWCharBuffer
+object. Such objects are implicitly convertible to char and wchar_t pointers,
+respectively, and so the result of, for example, wxString::ToUTF8() can always be
+passed directly to a function taking @c const @c char*. However code such as
 @code
 @code
-const char* ascii_str = "Some text";
-wxString str(ascii_str, wxConvUTF8);
+const char *p = s.ToUTF8();
+...
+puts(p); // or call any other function taking const char *
 @endcode
 @endcode
-
-This code also compiles fine under a non-Unicode build of wxWidgets, but in
-that case the converter is ignored.
-
-For more information about converters and Unicode see the @ref overview_mbconv.
-
+does @b not work because the temporary buffer returned by wxString::ToUTF8() is
+destroyed and @c p is left pointing nowhere. To correct this you may use
+@code
+wxCharBuffer p(s.ToUTF8());
+puts(p);
+@endcode
+which does work but results in an unnecessary copy of string data in the build
+configurations when wxString::ToUTF8() returns the pointer to internal string buffer.
+If this inefficiency is important you may write
+@code
+const wxUTF8Buf p(s.ToUTF8());
+puts(p);
+@endcode
+where @c wxUTF8Buf is the type corresponding to the real return type of wxString::ToUTF8().
+Similarly, wxWX2WCbuf can be used for the return type of wxString::wc_str().
+But, once again, none of these cryptic types is really needed if you just pass
+the return value of any of the functions mentioned in this section to another
+function directly.
 
 @section overview_unicode_settings Unicode Related Compilation Settings
 
 
 @section overview_unicode_settings Unicode Related Compilation Settings
 
-You should define @c wxUSE_UNICODE to 1 to compile your program in Unicode
-mode. This currently works for wxMSW, wxGTK, wxMac and wxX11. If you compile
-your program in ANSI mode you can still define @c wxUSE_WCHAR_T to get some
-limited support for @c wchar_t type.
-
-This will allow your program to perform conversions between Unicode strings and
-ANSI ones (using @ref overview_mbconv "wxMBConv") and construct wxString
-objects from Unicode strings (presumably read from some external file or
-elsewhere).
-
-
-@section overview_unicode_traps Traps for the Unwary
-
-@li Casting c_str() to void* is now char*, not wxChar*
-@li Passing c_str(), mb_str() or wc_str() to variadic functions doesn't work.
+@c wxUSE_UNICODE is now defined as 1 by default to indicate Unicode support.
+If UTF-8 is used for the internal storage in wxString, @c wxUSE_UNICODE_UTF8 is
+also defined, otherwise @c wxUSE_UNICODE_WCHAR is.
 
 */
 
 
 */