UTF8與GBK字符編碼之間的相互轉(zhuǎn)換
一 預(yù)備知識(shí) 1,字符:字符是抽象的最小文本單位。它沒有固定的形狀(可能是一個(gè)字形),而且沒有值。“A”是一個(gè)字符,“€”(德國、法國和許多其他歐洲國家通用貨幣的標(biāo)志)也是一個(gè)字符?!爸小薄皣边@是兩個(gè)漢字字符。字符僅僅代表一個(gè)符號(hào),沒有任何實(shí)際值的意義。 2,字符集:字符集是字符的集合。例如,漢字字符是中國人最先發(fā)明的字符,在中文、日文、韓文和越南文的書寫中使用。這也說明了字符和字符集之間的關(guān)系,字符組成字符集(iso8859-1,GB2312/GBK,unicode)。 3,代碼點(diǎn):字符集中的每個(gè)字符都被分配到一個(gè)“代碼點(diǎn)”。每個(gè)代碼點(diǎn)都有一個(gè)特定的唯一數(shù)值,稱為標(biāo)值。該標(biāo)量值通常用十六進(jìn)制表示。 4,代碼單元: 在每種編碼形式中,代碼點(diǎn)被映射到一個(gè)或多個(gè)代碼單元?!按a單元”是各個(gè)編碼方式中的單個(gè)單元。代碼單元的大小等效于特定編碼方式的位數(shù): UTF-8 :UTF-8 中的代碼單元由 8 位組成;在 UTF-8 中,因?yàn)榇a單元較小的緣故,每個(gè)代碼點(diǎn)常常被映射到多個(gè)代碼單元。代碼點(diǎn)將被映射到一個(gè)、兩個(gè)、三個(gè)或四個(gè)代碼單元; UTF-16 :UTF-16 中的代碼單元由 16 位組成;UTF-16 的代碼單元大小是 8 位代碼單元的兩倍。所以,標(biāo)量值小于 U+10000 的代碼點(diǎn)被編碼到單個(gè)代碼單元中; UTF-32:UTF-32 中的代碼單元由 32 位組成; UTF-32 中使用的 32 位代碼單元足夠大,每個(gè)代碼點(diǎn)都可編碼為單個(gè)代碼單元; GB18030:GB18030 中的代碼單元由 8 位組成;在 GB18030 中,因?yàn)榇a單元較小的緣故,每個(gè)代碼點(diǎn)常常被映射到多個(gè)代碼單元。代碼點(diǎn)將被映射到一個(gè)、兩個(gè)或四個(gè)代碼單元。 5,舉例: “中國北京香蕉是個(gè)大笨蛋”這是我定義的aka字符集; 各字符對(duì)應(yīng)代碼點(diǎn)為: 北 00000001 京 00000010 香 10000001 蕉 10000010 是 10000100 個(gè) 10001000 大 10010000 笨 10100000 蛋 11000000 中 00000100 國 00001000 下面是我定義的 zixia 編碼方案(8位),可以看到它的編碼中表示了aka字符集的所有字符對(duì)應(yīng)的 代碼單元; 北 10000001 京 10000010 香 00000001 蕉 00000010 是 00000100 個(gè) 00001000 大 00010000 笨 00100000 蛋 01000000 中 10000100 國 10001000 所謂文本文件 就是我們按一定編碼方式將二進(jìn)制數(shù)據(jù)表示為對(duì)應(yīng)的文本如 00000001000000100000010000001000000100000010000001000000這樣的文件。我用一個(gè)支持 zixia編碼和aka字符集的記事本打開,它就按照編碼方案顯示為 “香蕉是個(gè)大笨蛋 ” 如果我把這些字符按照GBK另存一個(gè)文件,那么則肯定不是這個(gè),而是 1100111111100011 1011110110110110 1100101011000111 1011100011110110 1011010011110011 1011000110111111 1011010110110000 110100001010
二,字符集 1, 常用字符集分類 ASCII及其擴(kuò)展字符集 作用:表語英語及西歐語言。 位數(shù):ASCII是用7位表示的,能表示128個(gè)字符;其擴(kuò)展使用8位表示,表示256個(gè)字符。 范圍:ASCII從00到7F,擴(kuò)展從00到FF。 ISO-8859-1字符集 作用:擴(kuò)展ASCII,表示西歐、希臘語等。 位數(shù):8位, 范圍:從00到FF,兼容ASCII字符集。 GB2312字符集 作用:國家簡體中文字符集,兼容ASCII。 位數(shù):使用2個(gè)字節(jié)表示,能表示7445個(gè)符號(hào),包括6763個(gè)漢字,幾乎覆蓋所有高頻率漢字。 范圍:高字節(jié)從A1到F7, 低字節(jié)從A1到FE。將高字節(jié)和低字節(jié)分別加上0XA0即可得到編碼。 BIG5字符集 作用:統(tǒng)一繁體字編碼。 位數(shù):使用2個(gè)字節(jié)表示,表示13053個(gè)漢字。 范圍:高字節(jié)從A1到F9,低字節(jié)從40到7E,A1到FE。 GBK字符集 作用:它是GB2312的擴(kuò)展,加入對(duì)繁體字的支持,兼容GB2312。 位數(shù):使用2個(gè)字節(jié)表示,可表示21886個(gè)字符。 范圍:高字節(jié)從81到FE,低字節(jié)從40到FE。 GB18030字符集 作用:它解決了中文、日文、朝鮮語等的編碼,兼容GBK。 位數(shù):它采用變字節(jié)表示(1 ASCII,2,4字節(jié))??杀硎?7484個(gè)文字。 范圍:1字節(jié)從00到7F; 2字節(jié)高字節(jié)從81到FE,低字節(jié)從40到7E和80到FE;4字節(jié)第一三字節(jié)從81到FE,第二四字節(jié)從30到39。 UCS字符集 作用:國際標(biāo)準(zhǔn) ISO 10646 定義了通用字符集 (Universal Character Set)。它是與UNICODE同類的組織,UCS-2和UNICODE兼容。 位數(shù):它有UCS-2和UCS-4兩種格式,分別是2字節(jié)和4字節(jié)。 范圍:目前,UCS-4只是在UCS-2前面加了0×0000。 UNICODE字符集 作用:為世界650種語言進(jìn)行統(tǒng)一編碼,兼容ISO-8859-1。 位數(shù):UNICODE字符集有多個(gè)編碼方式,分別是UTF-8,UTF-16和UTF-32。
2 ,按所表示的文字分類 語言 字符集 正式名稱 英語、西歐語 ASCII,ISO-8859-1 MBCS 多字節(jié) 簡體中文 GB2312 MBCS 多字節(jié) 繁體中文 BIG5 MBCS 多字節(jié) 簡繁中文 GBK MBCS 多字節(jié) 中文、日文及朝鮮語 GB18030 MBCS 多字節(jié) 各國語言 UNICODE,UCS DBCS 寬字節(jié) 三
,編碼 UTF-8:采用變長字節(jié) (1 ASCII, 2 希臘字母, 3 漢字, 4 平面符號(hào)) 表示,網(wǎng)絡(luò)傳輸, 即使錯(cuò)了一個(gè)字節(jié),不影響其他字節(jié),而雙字節(jié)只要一個(gè)錯(cuò)了,其他也錯(cuò)了,具體如下: 如果只有一個(gè)字節(jié)則其最高二進(jìn)制位為0;如果是多字節(jié),其第一個(gè)字節(jié)從最高位開始,連續(xù)的二進(jìn)制位值為1的個(gè)數(shù)決定了其編碼的字節(jié)數(shù),其余各字節(jié)均以10開頭。UTF-8最多可用到6個(gè)字節(jié)。 UTF-16:采用2字節(jié),Unicode中不同部分的字符都同樣基于現(xiàn)有的標(biāo)準(zhǔn)。這是為了便于轉(zhuǎn)換。從 0×0000到0×007F是ASCII字符,從0×0080到0×00FF是ISO-8859-1對(duì)ASCII的擴(kuò)展。希臘字母表使用從0×0370到 0×03FF 的代碼,斯拉夫語使用從0×0400到0×04FF的代碼,美國使用從0×0530到0×058F的代碼,希伯來語使用從0×0590到0×05FF的代碼。中國、日本和韓國的象形文字(總稱為CJK)占用了從0×3000到0×9FFF的代碼;由于0×00在c語言及操作系統(tǒng)文件名等中有特殊意義,故很多情況下需要UTF-8編碼保存文本,去掉這個(gè)0×00。舉例如下: UTF-16: 0×0080 = 0000 0000 1000 0000 UTF-8: 0xC280 = 1100 0010 1000 0000 UTF-32:采用4字節(jié)。 優(yōu)缺點(diǎn) UTF-8、UTF-16和UTF-32都可以表示有效編碼空間 (U+000000-U+10FFFF) 內(nèi)的所有Unicode字符。 使用UTF-8編碼時(shí)ASCII字符只占1個(gè)字節(jié),存儲(chǔ)效率比較高,適用于拉丁字符較多的場(chǎng)合以節(jié)省空間。 對(duì)于大多數(shù)非拉丁字符(如中文和日文)來說,UTF-16所需存儲(chǔ)空間最小,每個(gè)字符只占2個(gè)字節(jié)。 Windows NT內(nèi)核是Unicode(UTF-16),采用UTF-16編碼在調(diào)用系統(tǒng)API時(shí)無需轉(zhuǎn)換,處理速度也比較快。 采用UTF-16和UTF-32會(huì)有Big Endian和Little Endian之分,而UTF-8則沒有字節(jié)順序問題,所以UTF-8適合傳輸和通信。 UTF-32采用4字節(jié)編碼,一方面處理速度比較快,但另一方面也浪費(fèi)了大量空間,影響傳輸速度,因而很少使用。
四,如何判斷字符集 1,字節(jié)序 首先說一下字節(jié)序?qū)幋a的影響,字節(jié)序分為Big Endian字節(jié)序和Little Endian字節(jié)序。不同的處理器可能不一樣。所以,傳輸時(shí)需要告訴處理器當(dāng)時(shí)的編碼字節(jié)序。對(duì)于前者而言,高位字節(jié)存在低地址,低字節(jié)存于高地址;后者相反。例如,0X03AB, Big Endian字節(jié)序 0000: 0 3 0001: AB Little Endian字節(jié)序是 0000: AB 0001: 0 3 2,編碼識(shí)別 UNICODE,根據(jù)前幾個(gè)字節(jié)可以判斷UNICODE字符集的各種編碼,叫做Byte Order Mask方法BOM: UTF-8: EFBBBF (符合UTF-8格式,請(qǐng)看上面。但沒有含義在UCS即UNICODE中) UTF-16 Big Endian:FEFF (沒有含義在UCS-2中) UTF-16 Little Endian:FFFE (沒有含義在UCS-2中) UTF-32 Big Endian:0000FEFF (沒有含義在UCS-4中) UTF-32 Little Endian:FFFE0000 (沒有含義在UCS-4中) GB2312:高字節(jié)和低字節(jié)的第1位都是1。 BIG5,GBK&GB18030:高字節(jié)的第1位為1。操作系統(tǒng)有默認(rèn)的編碼,常為GBK,可以下載別的并升級(jí)。 通過判斷高字節(jié)的第1位從而知道是ASCII或者漢字編碼。
#include <stdio.h> #include <windows.h> //GBK編碼轉(zhuǎn)換到UTF8編碼 int GBKToUTF8(unsigned char * lpGBKStr,unsigned char * lpUTF8Str,int nUTF8StrLen) { wchar_t * lpUnicodeStr = NULL; int nRetLen = 0; if(!lpGBKStr) //如果GBK字符串為NULL則出錯(cuò)退出 return 0; nRetLen = ::MultiByteToWideChar(CP_ACP,0,(char *)lpGBKStr,-1,NULL,NULL); //獲取轉(zhuǎn)換到Unicode編碼后所需要的字符空間長度 lpUnicodeStr = new WCHAR[nRetLen + 1]; //為Unicode字符串空間 nRetLen = ::MultiByteToWideChar(CP_ACP,0,(char *)lpGBKStr,-1,lpUnicodeStr,nRetLen); //轉(zhuǎn)換到Unicode編碼 if(!nRetLen) //轉(zhuǎn)換失敗則出錯(cuò)退出 return 0; nRetLen = ::WideCharToMultiByte(CP_UTF8,0,lpUnicodeStr,-1,NULL,0,NULL,NULL); //獲取轉(zhuǎn)換到UTF8編碼后所需要的字符空間長度 if(!lpUTF8Str) //輸出緩沖區(qū)為空則返回轉(zhuǎn)換后需要的空間大小 { if(lpUnicodeStr) delete []lpUnicodeStr; return nRetLen; } if(nUTF8StrLen < nRetLen) //如果輸出緩沖區(qū)長度不夠則退出 { if(lpUnicodeStr) delete []lpUnicodeStr; return 0; } nRetLen = ::WideCharToMultiByte(CP_UTF8,0,lpUnicodeStr,-1,(char *)lpUTF8Str,nUTF8StrLen,NULL,NULL); //轉(zhuǎn)換到UTF8編碼 if(lpUnicodeStr) delete []lpUnicodeStr; return nRetLen; } //使用這兩個(gè)函數(shù)的例子 int main() { char cGBKStr[] = "我是中國人!"; char * lpGBKStr = NULL; char * lpUTF8Str = NULL; FILE * fp = NULL; int nRetLen = 0; nRetLen = GBKToUTF8((unsigned char *) cGBKStr,NULL,NULL); printf("轉(zhuǎn)換后的字符串需要的空間長度為:%d ",nRetLen); lpUTF8Str = new char[nRetLen + 1]; nRetLen = GBKToUTF8((unsigned char *)cGBKStr,(unsigned char *)lpUTF8Str,nRetLen); if(nRetLen) { printf("GBKToUTF8轉(zhuǎn)換成功!"); } else { printf("GBKToUTF8轉(zhuǎn)換失??!"); goto Ret0; } fp = fopen("C:\\GBKtoUTF8.txt","wb"); //保存到文本文件 fwrite(lpUTF8Str,nRetLen,1,fp); fclose(fp); getchar(); //先去打開那個(gè)文本文件看看,單擊記事本的“文件”-“另存為”菜單,在對(duì)話框中看到編碼框變?yōu)榱恕癠TF-8”說明轉(zhuǎn)換成功了 Ret0: { if(lpGBKStr) delete []lpGBKStr; if(lpUTF8Str) delete []lpUTF8Str; } return 0; }
Karlson,2009-07-25 13:39:57 1 class CChineseCode 2 3 { 4 5 public: 6 7 static void UTF_8ToUnicode(wchar_t* pOut,char *pText); // 把UTF-8轉(zhuǎn)換成Unicode 8 9 static void UnicodeToUTF_8(char* pOut,wchar_t* pText); //Unicode 轉(zhuǎn)換成UTF-8 10 11 static void UnicodeToGB2312(char* pOut,wchar_t uData); // 把Unicode 轉(zhuǎn)換成 GB2312 12 13 static void Gb2312ToUnicode(wchar_t* pOut,char *gbBuffer);// GB2312 轉(zhuǎn)換成 Unicode 14 15 static void GB2312ToUTF_8(string& pOut,char *pText, int pLen);//GB2312 轉(zhuǎn)為 UTF-8 16 17 static void UTF_8ToGB2312(string &pOut, char *pText, int pLen);//UTF-8 轉(zhuǎn)為 GB2312 18 19 }; 20 21 類實(shí)現(xiàn) 22 23 void CChineseCode::UTF_8ToUnicode(wchar_t* pOut,char *pText) 24 25 { 26 27 char* uchar = (char *)pOut; 28 29 uchar[1] = ((pText[0] & 0x0F) << 4) + ((pText[1] >> 2) & 0x0F); 30 31 uchar[0] = ((pText[1] & 0x03) << 6) + (pText[2] & 0x3F); 32 33 return; 34 35 } 36 37 void CChineseCode::UnicodeToUTF_8(char* pOut,wchar_t* pText) 38 39 { 40 41 // 注意 WCHAR高低字的順序,低字節(jié)在前,高字節(jié)在后 42 43 char* pchar = (char *)pText; 44 45 pOut[0] = (0xE0 | ((pchar[1] & 0xF0) >> 4)); 46 47 pOut[1] = (0x80 | ((pchar[1] & 0x0F) << 2)) + ((pchar[0] & 0xC0) >> 6); 48 49 pOut[2] = (0x80 | (pchar[0] & 0x3F)); 50 51 return; 52 53 } 54 55 void CChineseCode::UnicodeToGB2312(char* pOut,wchar_t uData) 56 57 { 58 59 WideCharToMultiByte(CP_ACP,NULL,&uData,1,pOut,sizeof(wchar_t),NULL,NULL); 60 61 return; 62 63 } 64 65 void CChineseCode::Gb2312ToUnicode(wchar_t* pOut,char *gbBuffer) 66 67 { 68 69 ::MultiByteToWideChar(CP_ACP,MB_PRECOMPOSED,gbBuffer,2,pOut,1); 70 71 return ; 72 73 } 74 75 void CChineseCode::GB2312ToUTF_8(string& pOut,char *pText, int pLen) 76 77 { 78 79 char buf[4]; 80 81 int nLength = pLen* 3; 82 83 char* rst = new char[nLength]; 84 85 memset(buf,0,4); 86 87 memset(rst,0,nLength); 88 89 int i = 0; 90 91 int j = 0; 92 93 while(i < pLen) 94 95 { 96 97 //如果是英文直接復(fù)制就可以 98 99 if( *(pText + i) >= 0) 100 101 { 102 103 rst[j++] = pText[i++]; 104 105 } 106 107 else 108 109 { 110 111 wchar_t pbuffer; 112 113 Gb2312ToUnicode(&pbuffer,pText+i); 114 115 UnicodeToUTF_8(buf,&pbuffer); 116 117 unsigned short int tmp = 0; 118 119 tmp = rst[j] = buf[0]; 120 121 tmp = rst[j+1] = buf[1]; 122 123 tmp = rst[j+2] = buf[2]; 124 125 j += 3; 126 127 i += 2; 128 129 } 130 131 } 132 133 rst[j] = ''; 134 135 //返回結(jié)果 136 137 pOut = rst; 138 139 delete []rst; 140 141 return; 142 143 } 144 145 void CChineseCode::UTF_8ToGB2312(string &pOut, char *pText, int pLen) 146 147 { 148 149 char * newBuf = new char[pLen]; 150 151 char Ctemp[4]; 152 153 memset(Ctemp,0,4); 154 155 int i =0; 156 157 int j = 0; 158 159 while(i < pLen) 160 161 { 162 163 if(pText > 0) 164 165 { 166 167 newBuf[j++] = pText[i++]; 168 169 } 170 171 else 172 173 { 174 175 WCHAR Wtemp; 176 177 UTF_8ToUnicode(&Wtemp,pText + i); 178 179 UnicodeToGB2312(Ctemp,Wtemp); 180 181 newBuf[j] = Ctemp[0]; 182 183 newBuf[j + 1] = Ctemp[1]; 184 185 i += 3; 186 187 j += 2; 188 189 } 190 191 } 192 193 newBuf[j] = ''; 194 195 pOut = newBuf; 196 197 delete []newBuf; 198 199 return; 200 201 }
1、將GBK轉(zhuǎn)換成UTF8 string GBKToUTF8(const std::string& strGBK) { string strOutUTF8 = ""; WCHAR * str1; int n = MultiByteToWideChar(CP_ACP, 0, strGBK.c_str(), -1, NULL, 0); str1 = new WCHAR[n]; MultiByteToWideChar(CP_ACP, 0, strGBK.c_str(), -1, str1, n); n = WideCharToMultiByte(CP_UTF8, 0, str1, -1, NULL, 0, NULL, NULL); char * str2 = new char[n]; WideCharToMultiByte(CP_UTF8, 0, str1, -1, str2, n, NULL, NULL); strOutUTF8 = str2; delete[]str1; str1 = NULL; delete[]str2; str2 = NULL; return strOutUTF8; } Wi d e C h a r To M u l t i B y t e把U N I C O D E轉(zhuǎn)換成A S C I I碼。
string UTF8ToGBK(const std::string& strUTF8) { int len = MultiByteToWideChar(CP_UTF8, 0, strUTF8.c_str(), -1, NULL, 0); unsigned short * wszGBK = new unsigned short[len + 1]; memset(wszGBK, 0, len * 2 + 2); MultiByteToWideChar(CP_UTF8, 0, (LPCTSTR)strUTF8.c_str(), -1, wszGBK, len); len = WideCharToMultiByte(CP_ACP, 0, wszGBK, -1, NULL, 0, NULL, NULL); char *szGBK = new char[len + 1]; memset(szGBK, 0, len + 1); WideCharToMultiByte(CP_ACP,0, wszGBK, -1, szGBK, len, NULL, NULL); //strUTF8 = szGBK; std::string strTemp(szGBK); delete[]szGBK; delete[]wszGBK; return strTemp; }
2
0
(請(qǐng)您對(duì)文章做出評(píng)價(jià))
|
|