字符编码之间的相互转换 UTF8与GBK(转载)

转载自http://www.cnblogs.com/azraelly/archive/2012/06/21/2558360.html

UTF8与GBK字符编码之间的相互转换

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。

 #include <stdio.h>
 #include <windows.h>
 
 //GBK编码转换到UTF8编码
 int GBKToUTF8(unsigned char * lpGBKStr,unsigned char * lpUTF8Str,int nUTF8StrLen)
 {
     wchar_t * lpUnicodeStr = NULL;
     int nRetLen = ;
 
     if(!lpGBKStr)  //如果GBK字符串为NULL则出错退出
         return ;
 
     nRetLen = ::MultiByteToWideChar(CP_ACP,,(char *)lpGBKStr,-,NULL,NULL);  //获取转换到Unicode编码后所需要的字符空间长度
     lpUnicodeStr = new WCHAR[nRetLen + ];  //为Unicode字符串空间
     nRetLen = ::MultiByteToWideChar(CP_ACP,,(char *)lpGBKStr,-,lpUnicodeStr,nRetLen);  //转换到Unicode编码
     if(!nRetLen)  //转换失败则出错退出
         return ;
 
     nRetLen = ::WideCharToMultiByte(CP_UTF8,,lpUnicodeStr,-,NULL,,NULL,NULL);  //获取转换到UTF8编码后所需要的字符空间长度
 
     if(!lpUTF8Str)  //输出缓冲区为空则返回转换后需要的空间大小
     {
         if(lpUnicodeStr)
   delete []lpUnicodeStr;
         return nRetLen;
     }
 
     if(nUTF8StrLen < nRetLen)  //如果输出缓冲区长度不够则退出
     {
         if(lpUnicodeStr)
             delete []lpUnicodeStr;
         return ;
     }
 
     nRetLen = ::WideCharToMultiByte(CP_UTF8,,lpUnicodeStr,-,(char *)lpUTF8Str,nUTF8StrLen,NULL,NULL);  //转换到UTF8编码
 
     if(lpUnicodeStr)
         delete []lpUnicodeStr;
 
     return nRetLen;
 }
 
  //使用这两个函数的例子
 int main()
 {
     char cGBKStr[] = "我是中国人!";
     char * lpGBKStr = NULL;
     char * lpUTF8Str = NULL;
     FILE * fp = NULL;
     int nRetLen = ;
 
     nRetLen = GBKToUTF8((unsigned char *) cGBKStr,NULL,NULL);
     printf("转换后的字符串需要的空间长度为：%d ",nRetLen);
     lpUTF8Str = new char[nRetLen + ];
     nRetLen = GBKToUTF8((unsigned char *)cGBKStr,(unsigned char *)lpUTF8Str,nRetLen);
     if(nRetLen)
     {
         printf("GBKToUTF8转换成功！");
     }
  else
     {
         printf("GBKToUTF8转换失败！");
         goto Ret0;
     }
  fp = fopen("C:\\GBKtoUTF8.txt","wb");  //保存到文本文件
     fwrite(lpUTF8Str,nRetLen,,fp);
     fclose(fp);
     getchar();  //先去打开那个文本文件看看，单击记事本的“文件”-“另存为”菜单，在对话框中看到编码框变为了“UTF-8”说明转换成功了
 
     Ret0:
 
  {
   if(lpGBKStr)
          delete []lpGBKStr;
      if(lpUTF8Str)
          delete []lpUTF8Str;
  }
  return ;
 }