一、概述
为使计算机支持更多语言,通常使用 0x80~0xFF 范围的 2 个字节来表示 1 个字符。比如:汉字 '中' 在中文操作系统中,使用 [0xD6,0xD0] 这两个字节存储。
二、编码格式分类
1、ansi编码
不同的国家和地区制定了不同的标准,由此产生了 GB2312, BIG5, JIS 等各自的编码标准。这些使用2 个字节来代表一个字符的各种汉字延伸编码方式,称为 ANSI 编码。在简体中文系统下,ANSI 编码 代表 GB2312 编码,在日文操作系统下,ANSI 编码代表 JIS 编码。
对于ANSI编码而言,0x00~0x7F之间的字符,依旧是1个字节代表1个字符。这一点是ASNI编码与Unicode编码之间最大也最明显的区别。比如“A君是第131号”,在ANSI编码中,占用12个字节,而在Unicode编码中,占用16个字节。因为A和1、3、1这4个字符,在ANSI编码中只各占1个字节,而在Unicode编码中,是需要各占2个字节的。
2、cp936编码
cp936是微软自己发布的用在文件系统中的编码方式。而bg2312是中国国家标准。
目前Windows的内核已经采用Unicode编码,这样在内核上可以支持全世界所有的语言文字。但是由于现有的大量程序和文档都采用了某种特定语言的编码,例如GBK,Windows不可能不支持现有的编码,而全部改用Unicode。Windows 使用代码页(code page)来适应各个国家和地区。code page可以被理解为前面提到的内码。GBK对应的code page是 CP936。
3、GB2312编码 GB2312(1980年)一共收录了7445个字符,包括6763个汉字和 682个其它符号。汉字区的内码范围高字节从B0-F7,低字节从A1-FE,占用的码位是72*94=6768。其中有5个空位是D7FA-D7FE。
ASCII、GB2312、GBK到GB18030的编码方法是向下兼容的。
2000年的GB18030是取代GBK1.0的正式国家标准。该标准收录了27484个汉字,同时还收录了藏文、蒙文、维吾尔文等主要的少数民族文字。
4、Unicode编码
Unicode也是一种字符编码方法,不过它是由国际组织设计,可以容纳全世界所有语言文字的编码方案。 Unicode的学名是 "Universal Multiple-Octet Coded Character Set",简称为UCS。 UCS可以看作是"Unicode Character Set"的缩写。
UTF-8、UTF-7、UTF-16都是被广泛接受的方案。UTF-8的一个特别的好处是它与ISO- 8859-1完全兼容。UTF是 “UCS Transformat ion Format”的缩写。
UTF-8以字节为编码单元,没有字节序的问题。UTF-16以两个字节为编码单元,在解释一个UTF-16文本前,首先要弄清楚每个编码单元的字节序。
UTF-8:UTF意为通用字集转换格式(Universal Character Set Transformation Format),UTF-8是Unicode的8位元格式。如果使用只能在同类位元组内支持8个位元的重要资料一类的旧式传输媒体,可选择UTF-8格式。
Unicode规范中推荐的标记字节顺序的方法是BOM。
在UCS编码中有一个叫做"ZERO WIDTH NO- BREAK SPACE"的字符,它的编码是FEFF。而FFFE在UCS中是不存在的字符,所以不应该出现在实际传输中。UCS规范建议我们在传输字节流前,先传输字符"ZERO WIDTH NO-BREAK SPACE"。这样如果接收者收到FEFF,就表明这个字节流是Big-Endian的;如果收到FFFE,就表明这个字节流是Little-Endian的。因此字符"ZERO WIDTH NO- BREAK SPACE"又被称作BOM。UTF-8不需要BOM来表明字节顺序,但可以用BOM来表明编码方式。字符"ZERO WIDTH NO-BREAK SPACE"的UTF-8编码是EF BB BF(读者可以用我们前面介绍的编码方法验证一下)。所以如果接收者收到以EF BB BF开头的字节流,就知道这是UTF-8编码了。
Windows就是使用BOM来标记文本文件的编码方式的。
ANSI: 无格式定义; Unicode: 前两个字节为FFFE; Unicode big endian: 前两字节为FEFF; UTF-8: 前两字节为EFBB;
三、实例应用
im中在线课程搜索功能(双字节转换成单字节)
//zhang20120228 在线课程的搜索功能,将unicode转换为utf8
void CSearchWndHC::UrlEncodeUtf8(LPCTSTR pszUrl, LPTSTR pResult, long * plLen)
{
// TODO: Add your specialized code here.
if(pszUrl == NULL)
{
//*pResult = 0;
*plLen = 0;
return ;
}
int iLen = lstrlen(pszUrl);
if (pResult == 0)
{
*plLen = 0;
return;
}
pResult[0]=0;
int i = 0;
BYTE j,k;
BYTE* p=(BYTE* )pszUrl;
while(*p)
{
if((*p <=_T('9') && *p >=_T('0'))||(*p <=_T('z') && *p >=_T('a'))||(*p
<=_T('Z') && *p >=_T('A')))
{
pResult[i++]=*p++;
}
else
{
if(*p <0 ||*p >127)
{
j= *p/16;k=*p%16;
if(j > 9) j+=_T('A')-10;
else j+=48;
if(k > 9) k+=_T('A')-10;
else k+=48;
pResult[i++]=_T('%');
pResult[i++]=j;
pResult[i++]=k;
p++;
j= *p/16;k=*p%16;
if(j > 9) j+=_T('A')-10;
else j+=48;
if(k > 9) k+=_T('A')-10;
else k+=48;
pResult[i++]=_T('%');
pResult[i++]=j;
pResult[i++]=k;
p++;
}
else
{
j= *p/16;k=*p%16;
if(j > 9) j+=_T('A')-10;
else j+=48;
if(k > 9) k+=_T('A')-10;
else k+=48;
pResult[i++]=_T('%');
pResult[i++]=j;
pResult[i++]=k;
p++;
}
}
}
pResult[i]=0;
*plLen = i;
//*ppResult = pResult;
}
//zhang20120228 在线课程的搜索功能,将unicode转换为utf8
LPTSTR CSearchWndHC::translateTCHARToUTF_8(LPTSTR xmlStream, int len)
{
HRESULT hr;
IMultiLanguage *pMultiLanguage=NULL;
UINT one=0;
UINT two=0;
DWORD pdwMode=0;
LPTSTR m_setstr=NULL;
LPTSTR m_getstr=NULL;
LPTSTR finalTCHARBuffer=NULL ;
CoInitialize(NULL);
hr=CoCreateInstance(CLSID_CMultiLanguage,NULL,CLSCTX_ALL,IID_IMultiLanguage ,(void**)&pMultiLanguage);
if( FAILED(hr))
{
return 0;
}
one=len;
m_setstr=(LPTSTR )xmlStream;
hr=pMultiLanguage->ConvertString(&pdwMode,COVS_0001,COVS_0030,(unsigned char*)m_setstr,&one,NULL,&two);
//hr=pMultiLanguage->ConvertString(&pdwMode,20936,65001,(unsigned char*)m_setstr,&one,NULL,&two);
if( FAILED(hr))
{
pMultiLanguage->Release();
CoUninitialize();
delete[] m_getstr;
return 0;
}
m_getstr=new TCHAR[two + 1];
memset( m_getstr, _T('\0'), two + 1 );
//hr=pMultiLanguage->ConvertString(&pdwMode,20936,65001,(unsigned char*)m_setstr,&one,(unsigned char*)m_getstr,&two);
hr=pMultiLanguage->ConvertString(&pdwMode,COVS_0001,COVS_0030,(unsigned char*)m_setstr,&one,(unsigned char*)m_getstr,&two);
if( FAILED(hr))
{
pMultiLanguage->Release();
CoUninitialize();
delete[] m_getstr;
return 0;
}
pMultiLanguage->Release();
CoUninitialize();
finalTCHARBuffer = new TCHAR[two+1];
memset(finalTCHARBuffer,0,sizeof(finalTCHARBuffer));
memcpy(finalTCHARBuffer,m_getstr,two+1);
delete[] m_getstr;
return finalTCHARBuffer;
pMultiLanguage->Release();
CoUninitialize();
delete[] m_getstr;
return 0;
}
urlencode函数
数学 --》 %CA%FD%D1%A7
//zhang20110804 新添加一个函数,赋值拼http地址串
CString CSearchWndHC::URLEncode(CString sIn)
{
CString sOut;
const int nLen = sIn.GetLength() + 1;
register LPBYTE pOutTmp = NULL;
LPBYTE pOutBuf = NULL;
register LPBYTE pInTmp = NULL;
LPBYTE pInBuf =(LPBYTE)sIn.GetBuffer(nLen);
BYTE b = 0;
//alloc out buffer
pOutBuf = (LPBYTE)sOut.GetBuffer(nLen*3 - 2);//new BYTE [nLen * 3];
if(pOutBuf)
{
pInTmp = pInBuf;
pOutTmp = pOutBuf;
// do encoding
while (*pInTmp)
{
if(isalnum(*pInTmp))
*pOutTmp++ = *pInTmp;
else
if(isspace(*pInTmp))
*pOutTmp++ = '+';
else
{
*pOutTmp++ = '%';
*pOutTmp++ = toHex(*pInTmp>>4);
*pOutTmp++ = toHex(*pInTmp%16);
}
pInTmp++;
}
*pOutTmp = '\0';
//sOut=pOutBuf;
//delete [] pOutBuf;
sOut.ReleaseBuffer();
}
sIn.ReleaseBuffer();
return sOut;
}
linux urlEncodeGb2312
数学 --》 %CA%FD%D1%A7
#include <stdio.h>
#include <IOSTREAM>
using namespace std;
typedef unsigned char BYTE;
BYTE toHex(const BYTE &x)
{
return x > 9 ? x -10 + 'A': x + '0';
}
BYTE fromHex(const BYTE &x)
{
return isdigit(x) ? x-'0' : x-'A'+10;
}
string URLEncode(const string &sIn)
{
string sOut;
for( size_t ix = 0; ix < sIn.size(); ix++ )
{
BYTE buf[4];
memset( buf, 0, 4 );
if( isalnum( (BYTE)sIn[ix] ) )
{
buf[0] = sIn[ix];
}
//else if ( isspace( (BYTE)sIn[ix] ) ) //貌似把空格编码成%20或者+都可以
//{
// buf[0] = '+';
//}
else
{
buf[0] = '%';
buf[1] = toHex( (BYTE)sIn[ix] >> 4 );
buf[2] = toHex( (BYTE)sIn[ix] % 16);
}
sOut += (char *)buf;
}
return sOut;
}
string URLDecode(const string &sIn)
{
string sOut;
for( size_t ix = 0; ix < sIn.size(); ix++ )
{
BYTE ch = 0;
if(sIn[ix]=='%')
{
ch = (fromHex(sIn[ix+1])<<4);
ch |= fromHex(sIn[ix+2]);
ix += 2;
}
else if(sIn[ix] == '+')
{
ch = ' ';
}
else
{
ch = sIn[ix];
}
sOut += (char)ch;
}
return sOut;
}
int main(int argc, char* argv[])
{
printf("Hello World!\n");
string str = "数学zhang";
string out = URLEncode(str);
string instr = URLDecode(out);
cout<<out.c_str()<<endl;
cout<<instr.c_str()<<endl;
return 0;
}