首页 > 代码库 > 不同字符编码格式之间的转换
不同字符编码格式之间的转换
一、概述
为使计算机支持更多语言,通常使用 0x80~0xFF 范围的 2 个字节来表示 1 个字符。比如:汉字 ‘中‘ 在中文操作系统中,使用 [0xD6,0xD0] 这两个字节存储。
二、编码格式分类
1、ansi编码
不同的国家和地区制定了不同的标准,由此产生了 GB2312, BIG5, JIS 等各自的编码标准。这些使用2 个字节来代表一个字符的各种汉字延伸编码方式,称为 ANSI 编码。在简体中文系统下,ANSI 编码 代表 GB2312 编码,在日文操作系统下,ANSI 编码代表 JIS 编码。
对于ANSI编码而言,0x00~0x7F之间的字符,依旧是1个字节代表1个字符。这一点是ASNI编码与Unicode编码之间最大也最明显的区别。比如“A君是第131号”,在ANSI编码中,占用12个字节,而在Unicode编码中,占用16个字节。因为A和1、3、1这4个字符,在ANSI编码中只各占1个字节,而在Unicode编码中,是需要各占2个字节的。
2、cp936编码
cp936是微软自己发布的用在文件系统中的编码方式。而bg2312是中国国家标准。
目前Windows的内核已经采用Unicode编码,这样在内核上可以支持全世界所有的语言文字。但是由于现有的大量程序和文档都采用了某种特定语言的编码,例如GBK,Windows不可能不支持现有的编码,而全部改用Unicode。Windows 使用代码页(code page)来适应各个国家和地区。code page可以被理解为前面提到的内码。GBK对应的code page是 CP936。
3、GB2312编码 GB2312(1980年)一共收录了7445个字符,包括6763个汉字和 682个其它符号。汉字区的内码范围高字节从B0-F7,低字节从A1-FE,占用的码位是72*94=6768。其中有5个空位是D7FA-D7FE。
ASCII、GB2312、GBK到GB18030的编码方法是向下兼容的。
2000年的GB18030是取代GBK1.0的正式国家标准。该标准收录了27484个汉字,同时还收录了藏文、蒙文、维吾尔文等主要的少数民族文字。
4、Unicode编码
Unicode也是一种字符编码方法,不过它是由国际组织设计,可以容纳全世界所有语言文字的编码方案。 Unicode的学名是 "Universal Multiple-Octet Coded Character Set",简称为UCS。 UCS可以看作是"Unicode Character Set"的缩写。
UTF-8、UTF-7、UTF-16都是被广泛接受的方案。UTF-8的一个特别的好处是它与ISO- 8859-1完全兼容。UTF是 “UCS Transformat ion Format”的缩写。
UTF-8以字节为编码单元,没有字节序的问题。UTF-16以两个字节为编码单元,在解释一个UTF-16文本前,首先要弄清楚每个编码单元的字节序。
UTF-8:UTF意为通用字集转换格式(Universal Character Set Transformation Format),UTF-8是Unicode的8位元格式。如果使用只能在同类位元组内支持8个位元的重要资料一类的旧式传输媒体,可选择UTF-8格式。
Unicode规范中推荐的标记字节顺序的方法是BOM。
在UCS编码中有一个叫做"ZERO WIDTH NO- BREAK SPACE"的字符,它的编码是FEFF。而FFFE在UCS中是不存在的字符,所以不应该出现在实际传输中。UCS规范建议我们在传输字节流前,先传输字符"ZERO WIDTH NO-BREAK SPACE"。这样如果接收者收到FEFF,就表明这个字节流是Big-Endian的;如果收到FFFE,就表明这个字节流是Little-Endian的。因此字符"ZERO WIDTH NO- BREAK SPACE"又被称作BOM。UTF-8不需要BOM来表明字节顺序,但可以用BOM来表明编码方式。字符"ZERO WIDTH NO-BREAK SPACE"的UTF-8编码是EF BB BF(读者可以用我们前面介绍的编码方法验证一下)。所以如果接收者收到以EF BB BF开头的字节流,就知道这是UTF-8编码了。
Windows就是使用BOM来标记文本文件的编码方式的。
ANSI: 无格式定义; Unicode: 前两个字节为FFFE; Unicode big endian: 前两字节为FEFF; UTF-8: 前两字节为EFBB;
三、实例应用
im中在线课程搜索功能(双字节转换成单字节)
//zhang20120228 在线课程的搜索功能,将unicode转换为utf8 void CSearchWndHC::UrlEncodeUtf8(LPCTSTR pszUrl, LPTSTR pResult, long * plLen) { // TODO: Add your specialized code here. if(pszUrl == NULL) { //*pResult = 0; *plLen = 0; return ; } int iLen = lstrlen(pszUrl); if (pResult == 0) { *plLen = 0; return; } pResult[0]=0; int i = 0; BYTE j,k; BYTE* p=(BYTE* )pszUrl; while(*p) { if((*p <=_T('9') && *p >=_T('0'))||(*p <=_T('z') && *p >=_T('a'))||(*p <=_T('Z') && *p >=_T('A'))) { pResult[i++]=*p++; } else { if(*p <0 ||*p >127) { j= *p/16;k=*p%16; if(j > 9) j+=_T('A')-10; else j+=48; if(k > 9) k+=_T('A')-10; else k+=48; pResult[i++]=_T('%'); pResult[i++]=j; pResult[i++]=k; p++; j= *p/16;k=*p%16; if(j > 9) j+=_T('A')-10; else j+=48; if(k > 9) k+=_T('A')-10; else k+=48; pResult[i++]=_T('%'); pResult[i++]=j; pResult[i++]=k; p++; } else { j= *p/16;k=*p%16; if(j > 9) j+=_T('A')-10; else j+=48; if(k > 9) k+=_T('A')-10; else k+=48; pResult[i++]=_T('%'); pResult[i++]=j; pResult[i++]=k; p++; } } } pResult[i]=0; *plLen = i; //*ppResult = pResult; } //zhang20120228 在线课程的搜索功能,将unicode转换为utf8 LPTSTR CSearchWndHC::translateTCHARToUTF_8(LPTSTR xmlStream, int len) { HRESULT hr; IMultiLanguage *pMultiLanguage=NULL; UINT one=0; UINT two=0; DWORD pdwMode=0; LPTSTR m_setstr=NULL; LPTSTR m_getstr=NULL; LPTSTR finalTCHARBuffer=NULL ; CoInitialize(NULL); hr=CoCreateInstance(CLSID_CMultiLanguage,NULL,CLSCTX_ALL,IID_IMultiLanguage ,(void**)&pMultiLanguage); if( FAILED(hr)) { return 0; } one=len; m_setstr=(LPTSTR )xmlStream; hr=pMultiLanguage->ConvertString(&pdwMode,COVS_0001,COVS_0030,(unsigned char*)m_setstr,&one,NULL,&two); //hr=pMultiLanguage->ConvertString(&pdwMode,20936,65001,(unsigned char*)m_setstr,&one,NULL,&two); if( FAILED(hr)) { pMultiLanguage->Release(); CoUninitialize(); delete[] m_getstr; return 0; } m_getstr=new TCHAR[two + 1]; memset( m_getstr, _T('\0'), two + 1 ); //hr=pMultiLanguage->ConvertString(&pdwMode,20936,65001,(unsigned char*)m_setstr,&one,(unsigned char*)m_getstr,&two); hr=pMultiLanguage->ConvertString(&pdwMode,COVS_0001,COVS_0030,(unsigned char*)m_setstr,&one,(unsigned char*)m_getstr,&two); if( FAILED(hr)) { pMultiLanguage->Release(); CoUninitialize(); delete[] m_getstr; return 0; } pMultiLanguage->Release(); CoUninitialize(); finalTCHARBuffer = new TCHAR[two+1]; memset(finalTCHARBuffer,0,sizeof(finalTCHARBuffer)); memcpy(finalTCHARBuffer,m_getstr,two+1); delete[] m_getstr; return finalTCHARBuffer; pMultiLanguage->Release(); CoUninitialize(); delete[] m_getstr; return 0; }
urlencode函数
数学 --》 %CA%FD%D1%A7
//zhang20110804 新添加一个函数,赋值拼http地址串 CString CSearchWndHC::URLEncode(CString sIn) { CString sOut; const int nLen = sIn.GetLength() + 1; register LPBYTE pOutTmp = NULL; LPBYTE pOutBuf = NULL; register LPBYTE pInTmp = NULL; LPBYTE pInBuf =(LPBYTE)sIn.GetBuffer(nLen); BYTE b = 0; //alloc out buffer pOutBuf = (LPBYTE)sOut.GetBuffer(nLen*3 - 2);//new BYTE [nLen * 3]; if(pOutBuf) { pInTmp = pInBuf; pOutTmp = pOutBuf; // do encoding while (*pInTmp) { if(isalnum(*pInTmp)) *pOutTmp++ = *pInTmp; else if(isspace(*pInTmp)) *pOutTmp++ = '+'; else { *pOutTmp++ = '%'; *pOutTmp++ = toHex(*pInTmp>>4); *pOutTmp++ = toHex(*pInTmp%16); } pInTmp++; } *pOutTmp = '\0'; //sOut=pOutBuf; //delete [] pOutBuf; sOut.ReleaseBuffer(); } sIn.ReleaseBuffer(); return sOut; }
linux urlEncodeGb2312
数学 --》 %CA%FD%D1%A7
#include <stdio.h> #include <IOSTREAM> using namespace std; typedef unsigned char BYTE; BYTE toHex(const BYTE &x) { return x > 9 ? x -10 + 'A': x + '0'; } BYTE fromHex(const BYTE &x) { return isdigit(x) ? x-'0' : x-'A'+10; } string URLEncode(const string &sIn) { string sOut; for( size_t ix = 0; ix < sIn.size(); ix++ ) { BYTE buf[4]; memset( buf, 0, 4 ); if( isalnum( (BYTE)sIn[ix] ) ) { buf[0] = sIn[ix]; } //else if ( isspace( (BYTE)sIn[ix] ) ) //貌似把空格编码成%20或者+都可以 //{ // buf[0] = '+'; //} else { buf[0] = '%'; buf[1] = toHex( (BYTE)sIn[ix] >> 4 ); buf[2] = toHex( (BYTE)sIn[ix] % 16); } sOut += (char *)buf; } return sOut; } string URLDecode(const string &sIn) { string sOut; for( size_t ix = 0; ix < sIn.size(); ix++ ) { BYTE ch = 0; if(sIn[ix]=='%') { ch = (fromHex(sIn[ix+1])<<4); ch |= fromHex(sIn[ix+2]); ix += 2; } else if(sIn[ix] == '+') { ch = ' '; } else { ch = sIn[ix]; } sOut += (char)ch; } return sOut; } int main(int argc, char* argv[]) { printf("Hello World!\n"); string str = "数学zhang"; string out = URLEncode(str); string instr = URLDecode(out); cout<<out.c_str()<<endl; cout<<instr.c_str()<<endl; return 0; }
不同字符编码格式之间的转换