C C++最全深入浅出字符编码(1)，35岁的程序员被裁-CSDN博客

本文链接：https://blog.csdn.net/2401_84978588/article/details/138878655

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

汉字编码

上面介绍的几种编码格式，UTF-8、GBK等都支持汉字，但是标准不同，因此，在实际进行开发的过程中，对汉字的处理也不尽相同。

如何判断汉字编码

无论是UTF-8、GBK，还是GB18030，或者BIG5，它都是向下兼容ASCII的，为了区分ASCII码和汉字，在汉字的高位补1。
这也就是说，如果我们以int的形式取出单个字符的值，汉字都是小于0的。
因此，判断是否是汉字也就变得简单了：

enum boolean{true, false};
typedef int boolean;

boolean isChinese(char ch){
    return (ch < 0) ? true : false;
}

写一段代码验证一下：

void test01(){
    char str[20];
    memset(str, 0, sizeof(str));
    strcpy(str, "hello汉字");
    for (int i = 0; i < strlen(str); i++){
        if (isChinese(str[i]) == true){
            printf("str[%d]: Chinese\n", i);
        }else{
            printf("str[%d]: English\n", i);
        }
    }
}

我们在main函数里调用test01函数，得到如下结果：
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-F3agEKhs-1683503222799)(/img/bVbL2Tz)]

因为在utf-8下，一个汉字占3字节，所以后面从5~10这6个字节正好代表着2个汉字。
如果我们把编码改成GB2312，运行可以得到如下结果：
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-2uHepWzK-1683503222800)(/img/bVbL2TR)]
可以看到，只有最后4个字节是汉字，充分说明了GB2312编码格式下，一个汉字占2个字节。

如何处理汉字截断问题

如果我们把上面的字符串按字符打印出来，得到下面的结果：
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-aBwxtXQi-1683503222801)(/img/bVbL2VW)]
可以看到，所有的汉字都乱码了，原因就在于，UTF-8编码下，每个汉字占3个字节，一个字节不足以表示完整的汉字，所以打印出来都是乱码的。
在实际开发中，比较常见的需要处理的问题是，截取一定长度的字符串，但是如果截取的位置正好是个汉字，难免会遇到汉字被截断的问题。
那么，这类问题如何处理呢？
根据汉字的编码规则，我们知道，UTF-8和GBK对汉字的处理是不一样的。
UFT-8一个汉字是3字节，且规则如下：

1110xxxx 10xxxxxx 10xxxxxx

所以，我们很容易知道，汉字的首字节范围为11100000~11101111,转成十六进制为0xe0~0xef，第二、三字节的范围为10000000~10111111，转成十六进制范围为0x80~0xbf。
所以UTF-8的汉字截断问题处理可以如下：

void HalfChinese_UTF8(const char *input, size_t input_len, char *output, size_t *output_len)
{
    char current = *(input + input_len);
    if (isChinese(current) == false)
    {
        *output_len = input_len;
        strncpy(output, input, *output_len);
        return;
    }
    //汉字
    *output_len = input_len;
    //1110xxxx 10xxxxxx 10xxxxxx
    //第二位和第三位的范围是10000000~10ffffff，转成十六进制是0x80~0xbf，在这个范围内都说明是汉字被截断
    while ((current&0xff) < 0xc0 && (current&0xff) >= 0x80)
    {
        (*output_len)++;
        current = *(input + *output_len);
    }
    strncpy(output, input, *output_len);
}

该函数有四个参数，其中input和input_len作为原始输入，input_len代表需要截取的位置，output和output_len作为输出，output为截断处理后的字符串，output_len为截断处理后的长度。
我们使用下面的代码进行测试：

void test02()
{
    char in[20], out[20];
    memset(in, 0, sizeof(in));
    memset(out, 0, sizeof(out));
    strcpy(in, "hello汉字");
    size_t out_len = 0;
    for (int i = 1; i <= strlen(in); i++)
    {
        HalfChinese_UTF8(in, i, out, &out_len);
        printf("out: %s\n", out);
    }
}

运行后结果如下：
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-fMLaQbSs-1683503222803)(/img/bVbL3r4)]

如果是GBK编码，要稍微麻烦一点。因为我们知道，GBK是双字节表示汉字，且第一个字节的值从 0x81 到 0xFE，第二个字节的值从 0x40 到 0xFE（不包括0x7F），单从字符的值无法判断到底是汉字的首字节还是后一个字节（因为二者的值有重复部分）。
如果字符串纯为汉字倒还好办，我们已经知道汉字占2个字节，直接根据长度的奇偶来判断就可以，但如果是中英文夹杂就不能采用这种方式了。
在这里，我使用的是先对字符串进行一道过滤处理，判断字符串中除掉英文字符后纯汉字的长度，如果为奇数，代表汉字被截断，加1就能取其完整的汉字，如果是偶数，说明正好是一个完整的汉字，无需处理，直接返回即可。
代码实现如下：

void HalfChinese_GBK(const char *input, size_t input_len, char *output, size_t *output_len){
    char current = *(input + input_len);
    if (isChinese(current) == false)
    {
        *output_len = input_len;
        strncpy(output, input, *output_len);
        return;
    }
    *output_len = input_len;
    if (MoveEnglish(input, input_len) %2 != 0){
        (*output_len)++;
    }
    strncpy(output, input, *output_len);
}

int MoveEnglish(const char *input, size_t input_len){
    int out_len = input_len;
    for (int i = 0; i < input_len; i++)
    {
        if (isChinese(input[i]) == false){
            out_len++;
        }
    }
    return (out_len > 0) ? out_len : 0;
}

同样使用上面的测试代码进行测试，得到如下结果：
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-3mO5W6ia-1683503222804)(/img/bVbL3sd)]

如何实现编码之间互相转换

既然编码格式这么多，那么怎么进行编码之间的转换呢？
在C语言下，主要是利用系统的iconv函数完成。
iconv函数包含在头文件iconv.h中，其函数原型如下所示：

size_t iconv (iconv_t __cd, char **__restrict __inbuf,
                size_t *__restrict __inbytesleft,
                char **__restrict __outbuf,
                size_t *__restrict __outbytesleft);

第一个参数是转换的一个句柄，由iconv_open函数创建，第二个参数是输入的字符串，第三个参数是输入字符串的长度，第四个参数是转换后的输出字符串，第五个参数是输出字符串的长度。在编码转换完成之后，需要调用iconv_close函数关闭句柄。所以完整的调用顺序为：

iconv_open打开iconv句柄
调用iconv进行编码转换
iconv_close关闭句柄

还有一点需要注意的是，__inbytesleft和__outbytesleft的长度，因为不同编码对于汉字的处理字节数不同，比如从UTF-8转换为GBK，同样都是两个汉字，转换前长度为6，转换后长度为4。也就是说，在编码转换过程中，字符串可能会变长或缩短，如果长度不正确，很容易造成越界，从而导致错误。
完整的编码转换功能封装如下：

boolean convert_encoding(char *in, size_t in_len, char *out, size_t out_len, const char *from, const char *to)
{
    if (strcasecmp(from, to) == 0){
        size_t len = (in_len < out_len) ? in_len : out_len;
        memcpy(out, in, len);
        return true;
    }

    iconv_t cd = iconv_open(from, to);
    if (cd == (iconv_t)-1){
        printf("iconvopen err\n");
        return false;
    }
    size_t inbytesleft = in_len;
    size_t outbytesleft = out_len;

    char *src = in;
    char *dst = out;

    size_t nconv;
    nconv = iconv(cd, &src, &inbytesleft, &dst, &outbytesleft);
    if (nconv == (size_t)-1){
        if (errno == EINVAL){
            printf("EINVAL\n");
        } else {
            printf("error:%d\n", errno);
        }
    }
    iconv_close(cd);
    return true;
}

注意，由于使用到了libiconv，编译时需要加-liconv进行链接。
测试代码如下：

void test04()
{
    char in[20], out[20];
    memset(in, 0, sizeof(in));
    memset(out, 0, sizeof(out));
    strcpy(in, "hello汉字world");
    if (false == convert_encoding(in, strlen(in), out, 20, "utf-8", "gbk")){
        printf("failed\n");
        return;
    }
    printf("in: %s\nout:%s\n", in, out);
}

以上代码运行结果如下所示：