C++ 编码转换

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。

---

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转换成Unicode  
9.  
10.       static void UnicodeToUTF_8(char* pOut,wchar_t* pText);  //Unicode 转换成UTF-8  
11.  
12.       static void UnicodeToGB2312(char* pOut,wchar_t uData);  // 把Unicode 转换成 GB2312    
13.  
14.       static void Gb2312ToUnicode(wchar_t* pOut,char *gbBuffer);// GB2312 转换成　Unicode  
15.  
16.       static void GB2312ToUTF_8(string& pOut,char *pText, int pLen);//GB2312 转为 UTF-8  
17.  
18.       static void UTF_8ToGB2312(string &pOut, char *pText, int pLen);//UTF-8 转为 GB2312  
19.  
20. };  
21.  
22.  
23.  
24. 类实现  
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高低字的顺序,低字节在前，高字节在后  
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.            //如果是英文直接复制就可以  
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.    //返回结果  
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. }