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)

数学 --》 %E6%95%B0%E5%AD%A6

代码:
//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