C++ UTF8編碼轉換 CChineseCode

一 預備知識 
1，字元：字元是抽象的最小文本單位。它沒有固定的形狀（可能是一個字形），而且沒有值。“A”是一個字元，“€”（德國、法國和許多其他歐洲國家通用貨幣的標誌）也是一個字元。“中”“國”這是兩個漢字字元。字元僅僅代表一個符號，沒有任何實際值的意義。 
2，字元集：字元集是字元的集合。例如，漢字字元是中國人最先發明的字元，在中文、日文、韓文和越南文的書寫中使用。這也說明了字元和字元集之間的關係，字元組成字元集（iso8859-1，GB2312/GBK，unicode）。 
3，代碼點：字元集中的每個字元都被分配到一個“代碼點”。每個代碼點都有一個特定的唯一數值，稱為標值。該標量值通常用十六進位表示。 
4，代碼單元： 在每種編碼形式中，代碼點被映射到一個或多個代碼單元。“代碼單元”是各個編碼方式中的單個單元。代碼單元的大小等效於特定編碼方式的位元： 
UTF-8 ：UTF-8 中的代碼單元由 8 位組成；在 UTF-8 中，因為代碼單元較小的緣故，每個代碼點常常被映射到多個代碼單元。代碼點將被映射到一個、兩個、三個或四個代碼單元； 
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，標量值小於 U+10000 的代碼點被編碼到單個代碼單元中； 
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，每個代碼點都可編碼為單個代碼單元； 
GB18030：GB18030  中的代碼單元由 8 位組成；在 GB18030 中，因為代碼單元較小的緣故，每個代碼點常常被映射到多個代碼單元。代碼點將被映射到一個、兩個或四個代碼單元。 
5，舉例： 
“中國北京香蕉是個大笨蛋”這是我定義的aka字元集；各字元對應代碼點為： 
北 00000001 
京 00000010 
香 10000001 
蕉 10000010 
是 10000100 
個 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字元集的所有字元對應的 代碼單元； 
北 10000001 
京 10000010 
香 00000001 
蕉 00000010 
是 00000100 
個 00001000 
大 00010000 
笨 00100000 
蛋 01000000 
中 10000100 
國 10001000 
所謂文字檔 就是我們按一定編碼方式將位元據表示為對應的文本如 00000001000000100000010000001000000100000010000001000000這樣的檔案。我用一個支援 zixia編碼和aka字元集的記事本開啟，它就按照編碼方案顯示為  “香蕉是個大笨蛋 ” 
如果我把這些字元按照GBK另存一個檔案，那麼則肯定不是這個，而是 
1100111111100011 1011110110110110 1100101011000111 1011100011110110 1011010011110011 1011000110111111 1011010110110000 110100001010 
二，字元集 
1， 常用字元集分類 
ASCII及其擴充字元集 
作用：表語英語及西歐語言。 
位元：ASCII是用7位表示的，能表示128個字元；其擴充使用8位表示，表示256個字元。 
範圍：ASCII從00到7F，擴充從00到FF。 
ISO-8859-1字元集 
作用：擴充ASCII，表示西歐、希臘語等。 
位元：8位， 
範圍：從00到FF，相容ASCII字元集。 
GB2312字元集 
作用：國家簡體中文字元集，相容ASCII。 
位元：使用2個位元組表示，能表示7445個符號，包括6763個漢字，幾乎覆蓋所有高頻率漢字。 
範圍：高位元組從A1到F7, 低位元組從A1到FE。將高位元組和低位元組分別加上0XA0即可得到編碼。 
BIG5字元集 
作用：統一繁體字編碼。 
位元：使用2個位元組表示，表示13053個漢字。 
範圍：高位元組從A1到F9，低位元組從40到7E，A1到FE。 
GBK字元集 
作用：它是GB2312的擴充，加入對繁體字的支援，相容GB2312。 
位元：使用2個位元組表示，可表示21886個字元。 
範圍：高位元組從81到FE，低位元組從40到FE。 
GB18030字元集 
作用：它解決了中文、日文、朝鮮語等的編碼，相容GBK。 
位元：它採用變位元組表示(1 ASCII，2，4位元組)。可表示27484個文字。 
範圍：1位元組從00到7F; 2位元組高位元組從81到FE，低位元組從40到7E和80到FE；4位元組第一三位元組從81到FE，第二四位元組從30到39。 
UCS字元集 
作用：國際標準 ISO 10646 定義了通用字元集 (Universal Character Set)。它是與UNICODE同類的組織，UCS-2和UNICODE相容。 
位元：它有UCS-2和UCS-4兩種格式，分別是2位元組和4位元組。 
範圍：目前，UCS-4隻是在UCS-2前面加了0×0000。 
UNICODE字元集 
作用：為世界650種語言進行統一編碼，相容ISO-8859-1。 
位元：UNICODE字元集有多個編碼方式，分別是UTF-8，UTF-16和UTF-32。 
2 ，按所表示的文字分類 
語言                                 字元集                                     正式名稱 
英語、西歐語                     ASCII，ISO-8859-1                MBCS 多位元組 
簡體中文                             GB2312                                    MBCS 多位元組 
繁體中文                             BIG5                                         MBCS 多位元組 
簡繁中文                             GBK                                         MBCS 多位元組 
中文、日文及朝鮮語         GB18030                                  MBCS 多位元組 
各國語言                             UNICODE，UCS                    DBCS 寬位元組 
三，編碼 
UTF-8：採用變長位元組 (1 ASCII, 2 希臘字母, 3 漢字, 4 平面符號) 表示，網路傳輸, 即使錯了一個位元組，不影響其他位元組，而雙位元組只要一個錯了，其他也錯了，具體如下： 
如果只有一個位元組則其最高二進位位為0；如果是多位元組，其第一個位元組從最高位開始，連續的二進位位值為1的個數決定了其編碼的位元組數，其餘各位元組均以10開頭。UTF-8最多可用到6個位元組。 
UTF-16：採用2位元組，Unicode中不同部分的字元都同樣基於現有的標準。這是為了便於轉換。從 0×0000到0×007F是ASCII字元，從0×0080到0×00FF是ISO-8859-1對ASCII的擴充。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、日本和韓國的表意字元（總稱為CJK）佔用了從0×3000到0×9FFF的代碼；由於0×00在c語言及作業系統檔案名稱等中有特殊意義，故很多情況下需要UTF-8編碼儲存文本，去掉這個0×00。舉例如下： 
UTF-16: 0×0080  = 0000 0000 1000 0000 
UTF-8:   0xC280 = 1100 0010 1000 0000 
UTF-32：採用4位元組。 
優缺點 
UTF-8、UTF-16和UTF-32都可以表示有效編碼空間 (U+000000-U+10FFFF) 內的所有Unicode字元。 
使用UTF-8編碼時ASCII字元只佔1個位元組，儲存效率比較高，適用於拉丁字元較多的場合以節省空間的。 
對於大多數非拉丁字元（如中文和日文）來說，UTF-16所需儲存空間最小，每個字元只佔2個位元組。 
Windows NT核心是Unicode（UTF-16），採用UTF-16編碼在調用系統API時無需轉換，處理速度也比較快。 
採用UTF-16和UTF-32會有Big Endian和Little Endian之分，而UTF-8則沒有位元組順序問題，所以UTF-8適合傳輸和通訊。 
UTF-32採用4位元組編碼，一方面處理速度比較快，但另一方面也浪費了大量空間，影響傳輸速度，因而很少使用。 
四，如何判斷字元集 
1，位元組序 
首先說一下位元組序對編碼的影響，位元組序分為Big Endian位元組序和Little Endian位元組序。不同的處理器可能不一樣。所以，傳輸時需要告訴處理器當時的編碼位元組序。對於前者而言，高位位元組存在低地址，低位元組存於高地址；後者相反。例如，0X03AB, 
Big Endian位元組序 
0000: 0 3 
0001: AB 
Little Endian位元組序是 
0000: AB 
0001: 0 3 
2，編碼識別 
UNICODE，根據前幾個位元組可以判斷UNICODE字元集的各種編碼，叫做Byte Order Mask方法BOM： 
UTF-8: EFBBBF (符合UTF-8格式，請看上面。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：高位元組和低位元組的第1位都是1。 
BIG5，GBK&GB18030：高位元組的第1位為1。作業系統有預設的編碼，常為GBK，可以下載別的並升級。
通過判斷高位元組的第1位從而知道是ASCII或者漢字編碼。

Karlson,2009-07-25 13:39:57

 

2. class CChineseCode  
3.  
4. {  
5.  
6.   public:  
7.  
8.       static void UTF_8ToUnicode(wchar_t* pOut,char *pText);  // 把UTF-8轉換成Unicode  
9.  
10.       static void UnicodeToUTF_8(char* pOut,wchar_t* pText);  //Unicode 轉換成UTF-8  
11.  
12.       static void UnicodeToGB2312(char* pOut,wchar_t uData);  // 把Unicode 轉換成 GB2312    
13.  
14.       static void Gb2312ToUnicode(wchar_t* pOut,char *gbBuffer);// GB2312 轉換成　Unicode  
15.  
16.       static void GB2312ToUTF_8(string& pOut,char *pText, int pLen);//GB2312 轉為 UTF-8  
17.  
18.       static void UTF_8ToGB2312(string &pOut, char *pText, int pLen);//UTF-8 轉為 GB2312  
19.  
20. };  
21.  
22.  
23.  
24. 類實現  
25.  
26.  
27.  
28. void CChineseCode::UTF_8ToUnicode(wchar_t* pOut,char *pText)  
29.  
30. {  
31.  
32.    char* uchar = (char *)pOut;  
33.  
34.  
35.  
36.    uchar[1] = ((pText[0] & 0x0F) << 4) + ((pText[1] >> 2) & 0x0F);  
37.  
38.    uchar[0] = ((pText[1] & 0x03) << 6) + (pText[2] & 0x3F);  
39.  
40.  
41.  
42.    return;  
43.  
44. }  
45.  
46.  
47.  
48. void CChineseCode::UnicodeToUTF_8(char* pOut,wchar_t* pText)  
49.  
50. {  
51.  
52.    // 注意 WCHAR高低字的順序,低位元組在前，高位元組在後  
53.  
54.    char* pchar = (char *)pText;  
55.  
56.  
57.  
58.    pOut[0] = (0xE0 | ((pchar[1] & 0xF0) >> 4));  
59.  
60.    pOut[1] = (0x80 | ((pchar[1] & 0x0F) << 2)) + ((pchar[0] & 0xC0) >> 6);  
61.  
62.    pOut[2] = (0x80 | (pchar[0] & 0x3F));  
63.  
64.  
65.  
66.    return;  
67.  
68. }  
69.  
70.  
71.  
72. void CChineseCode::UnicodeToGB2312(char* pOut,wchar_t uData)  
73.  
74. {  
75.  
76.    WideCharToMultiByte(CP_ACP,NULL,&uData,1,pOut,sizeof(wchar_t),NULL,NULL);  
77.  
78.    return;  
79.  
80. }        
81.  
82.  
83.  
84. void CChineseCode::Gb2312ToUnicode(wchar_t* pOut,char *gbBuffer)  
85.  
86. {  
87.  
88.    ::MultiByteToWideChar(CP_ACP,MB_PRECOMPOSED,gbBuffer,2,pOut,1);  
89.  
90.    return ;  
91.  
92. }  
93.  
94.  
95.  
96. void CChineseCode::GB2312ToUTF_8(string& pOut,char *pText, int pLen)  
97.  
98. {  
99.  
100.    char buf[4];  
101.  
102.    int nLength = pLen* 3;  
103.  
104.    char* rst = new char[nLength];  
105.  
106.      
107.  
108.    memset(buf,0,4);  
109.  
110.    memset(rst,0,nLength);  
111.  
112.      
113.  
114.    int i = 0;  
115.  
116.    int j = 0;        
117.  
118.    while(i < pLen)  
119.  
120.    {  
121.  
122.            //如果是英文直接複製就可以  
123.  
124.            if( *(pText + i) >= 0)  
125.  
126.            {  
127.  
128.                    rst[j++] = pText[i++];  
129.  
130.            }  
131.  
132.            else  
133.  
134.            {  
135.  
136.                    wchar_t pbuffer;  
137.  
138.                    Gb2312ToUnicode(&pbuffer,pText+i);  
139.  
140.                      
141.  
142.                    UnicodeToUTF_8(buf,&pbuffer);  
143.  
144.                      
145.  
146.                    unsigned short int tmp = 0;  
147.  
148.                    tmp = rst[j] = buf[0];  
149.  
150.                    tmp = rst[j+1] = buf[1];  
151.  
152.                    tmp = rst[j+2] = buf[2];      
153.  
154.                      
155.  
156.                    j += 3;  
157.  
158.                    i += 2;  
159.  
160.            }  
161.  
162.    }  
163.  
164.    rst[j] = '';  
165.  
166.  
167.  
168.    //返回結果  
169.  
170.    pOut = rst;                
171.  
172.    delete []rst;     
173.  
174.      
175.  
176.    return;  
177.  
178. }  
179.  
180.  
181.  
182. void CChineseCode::UTF_8ToGB2312(string &pOut, char *pText, int pLen)  
183.  
184. {  
185.  
186.    char * newBuf = new char[pLen];  
187.  
188.    char Ctemp[4];  
189.  
190.    memset(Ctemp,0,4);  
191.  
192.  
193.  
194.    int i =0;  
195.  
196.    int j = 0;  
197.  
198.      
199.  
200.    while(i < pLen)  
201.  
202.    {  
203.  
204.        if(pText > 0)  
205.  
206.        {  
207.  
208.                newBuf[j++] = pText[i++];                          
209.  
210.        }  
211.  
212.        else                    
213.  
214.        {  
215.  
216.                WCHAR Wtemp;  
217.  
218.                UTF_8ToUnicode(&Wtemp,pText + i);        
219.  
220.                UnicodeToGB2312(Ctemp,Wtemp);                
221.  
222.                newBuf[j] = Ctemp[0];  
223.  
224.                newBuf[j + 1] = Ctemp[1];    
225.  
226.                i += 3;      
227.  
228.                j += 2;     
229.  
230.        }  
231.  
232.    }  
233.  
234.    newBuf[j] = '';    
235.    pOut = newBuf;    
236.    delete []newBuf;  
237.    return;    
238.  
239. }