Unicode和UTF-8

通过这几天的研究，终于明白了Unicode和UTF-8之间编码的区别。Unicode是一个字符集，而UTF-8是Unicode的其中一种，Unicode是定长的都为双字节，而UTF-8是可变的，对于汉字来说Unicode占有的字节比UTF-8占用的字节少1个字节。Unicode为双字节，而UTF-8中汉字占三个字节。

    UTF-8编码字符理论上可以最多到6个字节长,然而16位BMP（Basic Multilingual Plane）字符最多只用到3字节长。下面看一下UTF-8编码表：

       U-00000000 - U-0000007F: 0xxxxxxx
        U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
        U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
        U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
        U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
        U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

    xxx 的位置由字符编码数的二进制表示的位填入， 越靠右的 x 具有越少的特殊意义，只用最短的那个足够表达一个字符编码数的多字节串。 注意在多字节串中, 第一个字节的开头"1"的数目就是整个串中字节的数目。而第一行中以0开头，是为了兼容ASCII编码，为一个字节，第二行就为双字节字符串，第三行为3字节，如汉字就属于这种，以此类推。(个人认为：其实我们可以简单的把前面的1的个数看成字节数)

    为了要将Unicode转换为UTF-8，当然要知道他们的区别到底在什么地方。下面来看一下，在Unicode中的编码是怎样转换成UTF-8的，在UTF-8中，如果一个字符的字节小于0x80（128）则为ASCII字符，占一个字节，可以不用转换，因为UTF-8兼容ASCII编码。假如在Unicode中汉字“你”的编码为“u4F60”，把它转换为二进制为100111101100000，然后按照UTF-8的方法进行转换。可以将Unicode二进制从地位往高位取出二进制数字，每次取6位，如上述的二进制就可以分别取出为如下所示的格式，前面按格式填补，不足8位用0填补。

      
       unicode: 100111101100000                  4F60

           utf-8:     11100100, 10111101, 10100000       E4BDA0

    从上面就可以很直观的看出Unicode到UTF-8之间的转换，当然知道了UTF-8的格式后，就可以进行逆运算，就是按照格式把它在二进制中的相应位置上取出，然后在转换就是所得到的Unicode字符了（这个运算可以通过“位移”来完成）。

    如上述的“你”的转换，由于其值大于0x800小于0x10000，因此可以判断为三字节存储，则最高位需要向右移“12”位再根据三字节格式的最高位为11100000（0xE0）求或（|）就可以得到最高位的值了。同理第二位则是右移“6”位，则还剩下最高位和第二位的二进制值，可以通过与111111（0x3F）求按位于（&）操作，再和11000000（0x80）求或（|）。第三位就不用移位了，只要直接取最后六位（与111111（ox3F）取&），在与11000000(0x80)求或（|）。OK了，转换成功！在VC++中的代码如下所示（Unicode到UTF-8的转换）。

        1 const wchar_t pUnicode = L " 你 " ;
        2 char utf8[ 3 + 1 ];
        3 memset(utf8, 0 , 4 );
        4 utf8 [ 0 ] = 0xE0 | (pUnicode >> 12 );
        5 utf8 [ 1 ] = 0x80 | ((pUnicode >> 6 ) & 0x3F );
        6 utf8 [ 2 ] = 0x80 | (pUnicode & 0x3F );
        7 utf8 [ 3 ] = " /0 " ;
        8 // char[4]就是UTF-8的字符“你”了。

    当然在UTF-8到Unicode的转换也是通过移位等来完成的，就是把UTF-8那些格式相应的位置的二进制数给揪出来。在上述例子中“你”为三个字节，因此要每个字节进行处理，有高位到低位进行处理。在UTF-8中“你”为11100100,10111101,10100000。从高位起即第一个字节11100100就是把其中的"0100"给取出来，这个很简单只要和11111（0x1F）取与（&），由三字节可以得知最到位肯定位于12位之前，因为每次取六位。所以还要将得到的结果左移12位，最高位也就这样完成了0100,000000,000000。而第二位则是要把“111101”给取出来，则只需将第二字节10111101和111111(0x3F)取与（&）。在将所得到的结果左移6位与最高字节所得的结果取或（|），第二位就这样完成了，得到的结果为0100,111101,000000。以此类推最后一位直接与111111（0x3F）取与（&），再与前面所得的结果取或（|）即可得到结果0100,111101,100000。OK，转换成功！在VC++中的代码如下所示（UTF-8到Unicode的转换）。

    1 // UTF-8格式的字符串
    2 const char * utf8 = " 你 " ;
    3 wchar_t unicode;
    4 unicode = (utf8[ 0 ] & 0x1F ) << 12 ;
    5 unicode |= (utf8[ 1 ] & 0x3F ) << 6 ;
    6 unicode |= (utf8[ 2 ] & 0x3F );
    7 // unicode is ok!

    当然在编程过程中不可能只转换一个字符，这里需要注意的是字符的长度一定要算清楚，不然会带来...以上就是我这几天研究的结果，至于Unicode的转换为GB2312在MFC中Windows有自带的API（WideCharToMultiByte）可以转换。这样也就能够将UTF-8格式转换为GB2312了，这里就不再赘述，如果大家有更好的方法希望指教。

 

 

 

 

 

 

 

 

 

 

 

所谓“utf-8”只是UCS Transformation Format，只是UNICODE的一种表现形式，不等同于UNICODE，一般汉字在UNICODE中为两个（双）字节表示，而我们看到实际保存的文档确是三个字节表示一个汉字的，看看下表：

U-00000000 - U-0000007F:  0xxxxxxx
U-00000080 - U-000007FF:  110xxxxx 10xxxxxx
U-00000800 - U-0000FFFF:  1110xxxx 10xxxxxx 10xxxxxx
U-00010000 - U-001FFFFF:  11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
U-00200000 - U-03FFFFFF:  111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
U-04000000 - U-7FFFFFFF:  1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

UTF-8是一种变长度的表达方式，一般UNICODE为双字节（指UCS2）但为了与以前的ASCII码兼容，ASCII为一个字节，于是就想出了这种方法，在ASCII码的范围用一个字节表示，超出ASCII码的范围就用多字节表示，这就形成了我们上面看到的UTF-8的表示方法，这样的好处是当UNICODE文档中只有ASCII码时，保存的文档都为一个字节，所以就是普通的ASCII文档无异，读入的时候也是如此，所以能与以前的ASCII文档兼容。

至于大于ASCII码的，就会由上面的第一字节的前几位表示该unicode字符的长度，比如110xxxxxx前三位的二进制表示告诉我们这是个2BYTE的UNICODE字符；1110xxxx是个三位的UNICODE字符，依此类推，而首字节后面的字节都是以10开头，见上面这是为了与ASCII码开头的0区分告诉我们这是个多字节UTF-8编码的后续位。看上面的编码，我们将上面的x部分重新连起来组成的数值就是实际的UNICODE码值了（排除10组成的标志位）。

下面是个我写的从UTF-8转换到UNICODE真实值的程序，
编译方法：
gcc utf82unicode.cpp -o utf82unicode -lstdc++

使用方法：
比如一个汉字‘新’字，它的UTF-8编码为：E696B0，为了知道他的实际UNICODE编码，执行如下程序，
 ./utf82unicode E696B0
unicode: 65B0
上面程序的输出结果告诉我们UTF8：E696B0 对应UNICODE：65B0。

附录：CPP程序utf82unicode.cpp
#include <stdio.h>
#include <string.h>

// UTF-8的unicode表示方法到unicode的值转换函数
bool utf82unicode(unsigned int  byte[], int index, int count, int& unicode)
{
/*      for (int i=index; i < count; ++i) {
                printf("byte[%d]:%0Xn",i, byte[i]);
        }
        printf("byte[index] & 0x80: %0Xn", byte[index] & 0x80);
        printf("byte[index] & 0xE0: %0Xn", byte[index] & 0xE0);
        printf("byte[index] & 0xF0: %0Xn", byte[index] & 0xF0);
*/
        if (index >= count) return false;
        if ( (byte[index] & 0x80) == 0x0)              //  一位
        {
                unicode = byte[index];
        }
         else if ((byte[index] & 0xE0) == 0xC0) // 两位
        {
                if (index + 1 >= count ) return false;
                unicode = (((int)(byte[index] & 0x1F)) << 6)
                        | (byte[ index + 1] & 0x3F);
        }
        else if ((byte[index] & 0xF0) == 0xE0) // 三位
        {
                if (index + 2 >= count) return false;
                unicode = (((int)(byte[index] & 0x0F)) << 12)
                        | (((int)(byte[index  + 1] & 0x3F)) << 6)
                        | (byte[index + 2] & 0x3F);
        }
         else if ((byte[index] & 0xF8) == 0xF0) // 四位
        {
                if (index + 3 >= count) return false;
                unicode = (((int)(byte[index] & 0x07)) << 18)
                        | (((int)(byte[index + 1] & 0x3F)) << 12)
                        | (((int)(byte[index + 2] & 0x3F)) << 6)
                        | (byte[index + 3] & 0x3F);
        }
         else if ((byte[index] & 0xFC) == 0xF8) // 五位
        {
                if (index + 4 >= count) return false;
                unicode = (((int)(byte[index] & 0x03)) << 24)
                        | (((int)(byte[index + 1] & 0x3F)) << 18)
                        | (((int)(byte[index + 2] & 0x3F)) << 12)
                        | (((int)(byte[index + 3] & 0x3F)) << 6)
                        | (byte[index + 4] & 0x3F);
        }
         else if ((byte[index] & 0xFE) == 0xFC) // 六位
        {
                if (index + 5 >= count) return false;
                unicode = (((int)(byte[index] & 0x01)) << 30)
                        | (((int)(byte[index + 1] & 0x3F)) << 24)
                        | (((int)(byte[index + 2] & 0x3F)) << 18)
                        | (((int)(byte[index + 3] & 0x3F)) << 12)
                        | (((int)(byte[index + 4] & 0x3F)) << 6)
                        | (byte[index + 5] & 0x3F);
        }
         else
         {
                return false;
        }
        return true;

}

bool char2digist(char in, char&out)
{
        if ('0' <= in && in <= '9')
                out = in - '0' + 0x0;
        else if ('A' <= in && in <= 'F')
                out = in - 'A' + 0xA;
        else if ('a' <= in && in <= 'f')
                out = in - 'a' + 0xa;
        else 
                return false;

        return true;

}

bool widechar2hexbyte(char* ch, int index, int count, unsigned int& byte)
{
        char h, l;
        if (index + 1 < count) {
                if (char2digist(ch[index], h) && char2digist(ch[index + 1], l))
                {
                        byte = ((unsigned int)(h << 4)) | l;
                        return true;
                }
        } else {
                if (char2digist(ch[index], l))
                {
                        byte = l;
                        return true;
                }
        }
        return false;

}

int main(int argc, char* argv[])
{
        int bi, i, len, unicode;
        char* hex;
        unsigned int bytes[10];
        if (argc < 2) {
                printf("usage: utf82unicode [hex string]n");
                return 1;
        }
        bi = 0, len = strlen(argv[1]);
//      printf("argv[1]:%s,len:%dn", argv[1], len);
        for (int i = 0; i < len && bi < 10; ++ i)
        {
                if (!widechar2hexbyte(argv[1], i++, len, bytes[bi++]))
                        return 1;
        }
        unicode = 0;
        if (utf82unicode(bytes, 0, bi, unicode))
        {
                printf("unicode: %0Xn", unicode);
                return 0;
        }
        return 1;

}