首页 > 代码库 > C++ UTF8编码转换 CChineseCode

C++ UTF8编码转换 CChineseCode

一 预备知识 
1,字符:字符是抽象的最小文本单位。它没有固定的形状(可能是一个字形),而且没有值。“A”是一个字符,“€”(德国、法国和许多其他欧洲国家通用货币的标志)也是一个字符。“中”“国”这是两个汉字字符。字符仅仅代表一个符号,没有任何实际值的意义。 
2,字符集:字符集是字符的集合。例如,汉字字符是中国人最先发明的字符,在中文、日文、韩文和越南文的书写中使用。这也说明了字符和字符集之间的关系,字符组成字符集(iso8859-1,GB2312/GBK,unicode)。 
3,代码点:字符集中的每个字符都被分配到一个“代码点”。每个代码点都有一个特定的唯一数值,称为标值。该标量值通常用十六进制表示。 
4,代码单元: 在每种编码形式中,代码点被映射到一个或多个代码单元。“代码单元”是各个编码方式中的单个单元。代码单元的大小等效于特定编码方式的位数: 
UTF-8 :UTF-8 中的代码单元由 8 位组成;在 UTF-8 中,因为代码单元较小的缘故,每个代码点常常被映射到多个代码单元。代码点将被映射到一个、两个、三个或四个代码单元; 
UTF-16 :UTF-16 中的代码单元由 16 位组成;UTF-16 的代码单元大小是 8 位代码单元的两倍。所以,标量值小于 U+10000 的代码点被编码到单个代码单元中; 
UTF-32:UTF-32  中的代码单元由 32 位组成; UTF-32 中使用的 32 位代码单元足够大,每个代码点都可编码为单个代码单元; 
GB18030:GB18030  中的代码单元由 8 位组成;在 GB18030 中,因为代码单元较小的缘故,每个代码点常常被映射到多个代码单元。代码点将被映射到一个、两个或四个代码单元。 
5,举例: 
“中国北京香蕉是个大笨蛋”这是我定义的aka字符集;各字符对应代码点为: 
北 00000001 
京 00000010 
香 10000001 
蕉 10000010 
是 10000100 
个 10001000 
大 10010000 
笨 10100000 
蛋 11000000 
中 00000100 
国 00001000 
下面是我定义的 zixia 编码方案(8位),可以看到它的编码中表示了aka字符集的所有字符对应的 代码单元; 
北 10000001 
京 10000010 
香 00000001 
蕉 00000010 
是 00000100 
个 00001000 
大 00010000 
笨 00100000 
蛋 01000000 
中 10000100 
国 10001000 
所谓文本文件 就是我们按一定编码方式将二进制数据表示为对应的文本如 00000001000000100000010000001000000100000010000001000000这样的文件。我用一个支持 zixia编码和aka字符集的记事本打开,它就按照编码方案显示为  “香蕉是个大笨蛋 ” 
如果我把这些字符按照GBK另存一个文件,那么则肯定不是这个,而是 
1100111111100011 1011110110110110 1100101011000111 1011100011110110 1011010011110011 1011000110111111 1011010110110000 110100001010 
二,字符集 
1, 常用字符集分类 
ASCII及其扩展字符集 
作用:表语英语及西欧语言。 
位数:ASCII是用7位表示的,能表示128个字符;其扩展使用8位表示,表示256个字符。 
范围:ASCII从00到7F,扩展从00到FF。 
ISO-8859-1字符集 
作用:扩展ASCII,表示西欧、希腊语等。 
位数:8位, 
范围:从00到FF,兼容ASCII字符集。 
GB2312字符集 
作用:国家简体中文字符集,兼容ASCII。 
位数:使用2个字节表示,能表示7445个符号,包括6763个汉字,几乎覆盖所有高频率汉字。 
范围:高字节从A1到F7, 低字节从A1到FE。将高字节和低字节分别加上0XA0即可得到编码。 
BIG5字符集 
作用:统一繁体字编码。 
位数:使用2个字节表示,表示13053个汉字。 
范围:高字节从A1到F9,低字节从40到7E,A1到FE。 
GBK字符集 
作用:它是GB2312的扩展,加入对繁体字的支持,兼容GB2312。 
位数:使用2个字节表示,可表示21886个字符。 
范围:高字节从81到FE,低字节从40到FE。 
GB18030字符集 
作用:它解决了中文、日文、朝鲜语等的编码,兼容GBK。 
位数:它采用变字节表示(1 ASCII,2,4字节)。可表示27484个文字。 
范围:1字节从00到7F; 2字节高字节从81到FE,低字节从40到7E和80到FE;4字节第一三字节从81到FE,第二四字节从30到39。 
UCS字符集 
作用:国际标准 ISO 10646 定义了通用字符集 (Universal Character Set)。它是与UNICODE同类的组织,UCS-2和UNICODE兼容。 
位数:它有UCS-2和UCS-4两种格式,分别是2字节和4字节。 
范围:目前,UCS-4只是在UCS-2前面加了0×0000。 
UNICODE字符集 
作用:为世界650种语言进行统一编码,兼容ISO-8859-1。 
位数:UNICODE字符集有多个编码方式,分别是UTF-8,UTF-16和UTF-32。 
2 ,按所表示的文字分类 
语言                                 字符集                                     正式名称 
英语、西欧语                     ASCII,ISO-8859-1                MBCS 多字节 
简体中文                             GB2312                                    MBCS 多字节 
繁体中文                             BIG5                                         MBCS 多字节 
简繁中文                             GBK                                         MBCS 多字节 
中文、日文及朝鲜语         GB18030                                  MBCS 多字节 
各国语言                             UNICODE,UCS                    DBCS 宽字节 
三,编码 
UTF-8:采用变长字节 (1 ASCII, 2 希腊字母, 3 汉字, 4 平面符号) 表示,网络传输, 即使错了一个字节,不影响其他字节,而双字节只要一个错了,其他也错了,具体如下: 
如果只有一个字节则其最高二进制位为0;如果是多字节,其第一个字节从最高位开始,连续的二进制位值为1的个数决定了其编码的字节数,其余各字节均以10开头。UTF-8最多可用到6个字节。 
UTF-16:采用2字节,Unicode中不同部分的字符都同样基于现有的标准。这是为了便于转换。从 0×0000到0×007F是ASCII字符,从0×0080到0×00FF是ISO-8859-1对ASCII的扩展。希腊字母表使用从0×0370到 0×03FF 的代码,斯拉夫语使用从0×0400到0×04FF的代码,美国使用从0×0530到0×058F的代码,希伯来语使用从0×0590到0×05FF的代码。中国、日本和韩国的象形文字(总称为CJK)占用了从0×3000到0×9FFF的代码;由于0×00在c语言及操作系统文件名等中有特殊意义,故很多情况下需要UTF-8编码保存文本,去掉这个0×00。举例如下: 
UTF-16: 0×0080  = 0000 0000 1000 0000 
UTF-8:   0xC280 = 1100 0010 1000 0000 
UTF-32:采用4字节。 
优缺点 
UTF-8、UTF-16和UTF-32都可以表示有效编码空间 (U+000000-U+10FFFF) 内的所有Unicode字符。 
使用UTF-8编码时ASCII字符只占1个字节,存储效率比较高,适用于拉丁字符较多的场合以节省空间。 
对于大多数非拉丁字符(如中文和日文)来说,UTF-16所需存储空间最小,每个字符只占2个字节。 
Windows NT内核是Unicode(UTF-16),采用UTF-16编码在调用系统API时无需转换,处理速度也比较快。 
采用UTF-16和UTF-32会有Big Endian和Little Endian之分,而UTF-8则没有字节顺序问题,所以UTF-8适合传输和通信。 
UTF-32采用4字节编码,一方面处理速度比较快,但另一方面也浪费了大量空间,影响传输速度,因而很少使用。 
四,如何判断字符集 
1,字节序 
首先说一下字节序对编码的影响,字节序分为Big Endian字节序和Little Endian字节序。不同的处理器可能不一样。所以,传输时需要告诉处理器当时的编码字节序。对于前者而言,高位字节存在低地址,低字节存于高地址;后者相反。例如,0X03AB, 
Big Endian字节序 
0000: 0 3 
0001: AB 
Little Endian字节序是 
0000: AB 
0001: 0 3 
2,编码识别 
UNICODE,根据前几个字节可以判断UNICODE字符集的各种编码,叫做Byte Order Mask方法BOM: 
UTF-8: EFBBBF (符合UTF-8格式,请看上面。但没有含义在UCS即UNICODE中) 
UTF-16 Big Endian:FEFF (没有含义在UCS-2中) 
UTF-16 Little Endian:FFFE (没有含义在UCS-2中) 
UTF-32 Big Endian:0000FEFF (没有含义在UCS-4中) 
UTF-32 Little Endian:FFFE0000 (没有含义在UCS-4中) 
GB2312:高字节和低字节的第1位都是1。 
BIG5,GBK&GB18030:高字节的第1位为1。操作系统有默认的编码,常为GBK,可以下载别的并升级。

通过判断高字节的第1位从而知道是ASCII或者汉字编码。

//类声明
class CChineseCode
{
  public:
      static void UTF_8ToUnicode(wchar_t* pOut,char *pText);  			 //把UTF-8转换成Unicode
      static void UnicodeToUTF_8(char* pOut,wchar_t* pText);  			 //Unicode 转换成UTF-8
      static void UnicodeToGB2312(char* pOut,wchar_t uData);  			 //把Unicode 转换成 GB2312
      static void Gb2312ToUnicode(wchar_t* pOut,char *gbBuffer);		 //GB2312 转换成 Unicode
      static void GB2312ToUTF_8(string& pOut,char *pText, int pLen); //GB2312 转为 UTF-8
      static void UTF_8ToGB2312(string &pOut, char *pText, int pLen);//UTF-8 转为 GB2312
};
//类实现
void CChineseCode::UTF_8ToUnicode(wchar_t* pOut,char *pText)
{
   char* uchar = (char *)pOut;

   uchar[1] = ((pText[0] & 0x0F) << 4) + ((pText[1] >> 2) & 0x0F);
   uchar[0] = ((pText[1] & 0x03) << 6) + (pText[2] & 0x3F);

   return;
}


void CChineseCode::UnicodeToUTF_8(char* pOut,wchar_t* pText)
{
   // 注意 WCHAR高低字的顺序,低字节在前,高字节在后
   char* pchar = (char *)pText;

   pOut[0] = (0xE0 | ((pchar[1] & 0xF0) >> 4));
   pOut[1] = (0x80 | ((pchar[1] & 0x0F) << 2)) + ((pchar[0] & 0xC0) >> 6);
   pOut[2] = (0x80 | (pchar[0] & 0x3F));

   return;
}

void CChineseCode::UnicodeToGB2312(char* pOut,wchar_t uData)
{
   WideCharToMultiByte(CP_ACP,NULL,&uData,1,pOut,sizeof(wchar_t),NULL,NULL);
   return;
}

void CChineseCode::Gb2312ToUnicode(wchar_t* pOut,char *gbBuffer)
{
   ::MultiByteToWideChar(CP_ACP,MB_PRECOMPOSED,gbBuffer,2,pOut,1);
   return ;
}

void CChineseCode::GB2312ToUTF_8(string& pOut,char *pText, int pLen)
{
   char buf[4];
   int nLength = pLen* 3;
   char* rst = new char[nLength];

   memset(buf,0,4);
   memset(rst,0,nLength);

   int i = 0;
   int j = 0;
   while(i < pLen)
   {
           //如果是英文直接复制就可以
           if( *(pText + i) >= 0)
           {
                   rst[j++] = pText[i++];
           }
           else
           {
                   wchar_t pbuffer;
                   Gb2312ToUnicode(&pbuffer,pText+i);

                   UnicodeToUTF_8(buf,&pbuffer);

                   unsigned short int tmp = 0;
                   tmp = rst[j] = buf[0];
                   tmp = rst[j+1] = buf[1];
                   tmp = rst[j+2] = buf[2];

                   j += 3;
                   i += 2;
           }
   }
   rst[j] = '';

   //返回结果
   pOut = rst;
   delete []rst;

   return;
}

void CChineseCode::UTF_8ToGB2312(string &pOut, char *pText, int pLen)
{
   char * newBuf = new char[pLen];
   char Ctemp[4];
   memset(Ctemp,0,4);

   int i =0;
   int j = 0;

   while(i < pLen)
   {
       if(pText > 0)
       {
               newBuf[j++] = pText[i++];
       }
       else
       {
               WCHAR Wtemp;
               UTF_8ToUnicode(&Wtemp,pText + i);
               UnicodeToGB2312(Ctemp,Wtemp);
               newBuf[j] = Ctemp[0];
               newBuf[j + 1] = Ctemp[1];
               i += 3;
               j += 2;
       }
   }
   newBuf[j] = '';
   pOut = newBuf;
   delete []newBuf;
   return;
}





C++ UTF8编码转换 CChineseCode