c++中unicode utf8, gb2312还有url_encoding

 我这里说的unicode指的是在windows下用wchar_t表示的那个unicode, 也就是L"xxx"中表示的那个unicode,也就是在编译选项里面用unicode 并且_T("XXX") 中的unicode
下面的代码

TCHAR english[]  =  _T( " Hello " );
TCHAR chinese[]  =  _T( " 你好 " );
char  chineseA[]  =   " 你好 " ;
char  enchlishA[]  =   " hello " ;
wchar_t chineseW[]  =  L " 你好 " ;
wchar_t englishW[]  =  L " hello "

在visual c++中，根本不管utf8, 在没有定义unicode时候编译一下代码
TCHAR和_T就翻译成为了普通的char和“”
在定义了unicode的时候
TCHAR和_T就翻译成为了wchar_t和L""
其中char中指定中文的时候,中文使用gb2312编码中文占2个字节，而指定英文的时候，英文占1个字节，是标准的ascII, 但是gb2312编码国际化不好，就是说各国语言的编码可能有重叠的部分，就是说2字节的东西，同一个2字节的数字可能对应不同的编码中的不同的符号所以才出现了乱码
所以就有了unicode了
在 wchar_t中无论中文英文（还有日文等等）都是同一作为2个字节，好处在于无论中文英文日文一个字符都有一个统一的不同的数字,(unicode = unique code咯～～)其实wchar_t的本质上就是unsigned short

虽然unicode解决了统一编码的问题，但是不好啊，因为他定长的，就好象我们数据压缩中的如果用定长编码
的效率肯定不如变长编码高了，所以utf8就产生了
utf8本质上就是unicode的编程编码，具体的编码解我们可以一下的link
http://zhidao.baidu.com/question/2692826.html
而url_encoding是在网络传输中为了避开一些特殊的字符(比如&，/n等等)，所以使用的编码方式，他是在utf8或者unicode智商的编码，就是说无论我们在网络上传送的是utf8或者是unicode我们都可以通过url_encoding把他在发送端编码并且在接收端解码，（当然了我们也可以用url_encoding来传送2进制流)url_encoding每8位编码一次(就是吧除了a~z,A~Z,1~9还有几个其他符号(我这里说的是转换成为int的字符)转换成%XX的16进制表达方式

也就是说utf8 和 unicode, gb2132是平行的概念，这几个概念是相对的，是在操作系统层的编码，而url_encoding是在这2者上一层次的编码，用来把某段数据数据在网络上发送出去。是在网络层的编码(这段数据可以是utf-8也可以是unicode，也可以是gb2312也可以是其他的如gbk, jp等等的编码)

关于url_encoding我们可以看
http://www.albionresearch.com/misc/urlencode.php
utf8, unicode, urlencoding转换请看代码(unicode的urlencoding我就不想写了。懒得写了， gb2312转uicode可以通过bstr_t类转换，windows也带有了相应的api)
.h文件

class  EncodingConvertor   ... {
 public:
  EncodingConvertor(void);
 public:
  ~EncodingConvertor(void);
 public:
  bool Unicode2UTF8(const wchar_t *input_unicode,char ** p_output_utf8,unsigned long *length);

  bool UTF82Unicode(const char *input_utf8, wchar_t ** p_output_unicode, unsigned long *length);

  bool UTF82UrlEncode(const char* input_utf8, char ** p_url_encode, unsigned long *length);
} ;

.cpp文件

include  < stdlib.h >
#include  " EncodingConvertor.h "


EncodingConvertor::EncodingConvertor( void )  ... {
}

EncodingConvertor:: ~ EncodingConvertor( void )  ... {
}

bool  EncodingConvertor::Unicode2UTF8( const  wchar_t  * input_unicode,
                                      char   **  p_output_utf8,
                                     unsigned  long   * length)  ... {
  if (input_unicode == NULL) ...{
    return true;
  }
  int size_d = 8;
  int buffer_size = 0;

  const wchar_t* p_unicode = input_unicode;
  // count for the space need to allocate
  wchar_t w_char;
  do ...{
    w_char = *p_unicode;
    if (w_char < 0x80) ...{
      // utf char size is 1
      buffer_size += 1;
    } else if (w_char < 0x800) ...{
      // utf char size is 2
      buffer_size += 2;
    } else if (w_char < 0x10000) ...{
      // utf char size is 3
      buffer_size += 3;
    } else if (w_char < 0x200000) ...{
      // utf char size is 4
      buffer_size += 4;
    } else if (w_char < 0x4000000) ...{
      // utf char size is 5
      buffer_size += 5;
    } else ...{
      // utf char size is 6
      buffer_size += 6;
    }
    p_unicode++;
  }
  while (w_char != static_cast<char>(0));
  // allocate the memory
  char* utf8 = new char[buffer_size];

  p_unicode = input_unicode;
  int index_buffer = 0;
  // do the conversion
  do ...{
    w_char = *input_unicode;  // the unicode char current being converted
    input_unicode++;

    if (w_char < 0x80) ...{
      // length = 1;
      utf8[index_buffer++] = static_cast<char>(w_char);
    } else if (w_char < 0x800) ...{
    // length = 2;
      utf8[index_buffer++] = 0xc0 | (w_char >> 6);
      utf8[index_buffer++] = 0x80 | (w_char & 0x3f);
    } else if (w_char < 0x10000) ...{
      // length = 3;
      utf8[index_buffer++] = 0xe0 | (w_char >> 12);
      utf8[index_buffer++] = 0x80 | ((w_char >> 6) & 0x3f);
      utf8[index_buffer++] = 0x80 | (w_char & 0x3f);
    } else if (w_char < 0x200000) ...{
      // length = 4;
      utf8[index_buffer++] = 0xf0 | (static_cast<int>(w_char) >> 18);
      utf8[index_buffer++] = 0x80 | ((w_char >> 12) & 0x3f);
      utf8[index_buffer++] = 0x80 | ((w_char >> 6) & 0x3f);
      utf8[index_buffer++] = 0x80 | (w_char & 0x3f);
    } else if (w_char < 0x4000000) ...{
      // length = 5
      utf8[index_buffer++] = 0xf8| (static_cast<int>(w_char) >> 24);
      utf8[index_buffer++] = 0x80 | ((static_cast<int>(w_char) >> 18) & 0x3f);
      utf8[index_buffer++] = 0x80 | ((w_char >> 12) & 0x3f);
      utf8[index_buffer++] = 0x80 | ((w_char >> 6) & 0x3f);
      utf8[index_buffer++] = 0x80 | (w_char & 0x3f);
    } else ...{  // if(wchar >= 0x4000000)
      // all other cases length = 6
      utf8[index_buffer++] = 0xfc | (static_cast<int>(w_char) >> 30);
      utf8[index_buffer++] = 0x80 | ((static_cast<int>(w_char) >> 24) & 0x3f);
      utf8[index_buffer++] = 0x80 | ((static_cast<int>(w_char) >> 18) & 0x3f);
      utf8[index_buffer++] = 0x80 | ((w_char >> 12) & 0x3f);
      utf8[index_buffer++] = 0x80 | ((w_char >> 6) & 0x3f);
      utf8[index_buffer++] = 0x80 | (w_char & 0x3f);
    }
  }
  while (w_char !=  static_cast<char>(0));

  // set the output length
  *length = buffer_size - 1;  // ignore last 

  // set the output charset
  *p_output_utf8 = utf8;
  return false;
}

bool  EncodingConvertor::UTF82Unicode( const   char   * input_utf8,
                                     wchar_t  **  p_output_unicode,
                                     unsigned  long   * length)  ... {
  if (input_utf8 == NULL) ...{  // input wrong.
    return false;
  }

  const char* p_current_char = input_utf8;
  unsigned long unicode_length = 0;
  char current_char;
  // calculate the size to locate
  do ...{
    // get the begining char
    current_char = *p_current_char;

    if ((current_char  & 0x80) == 0) ...{
      // 0xxxxxxx
      p_current_char++;
    } else if ((current_char  & 0xe0) == 0xc0) ...{
      // < 110x-xxxx 10xx-xxxx
      p_current_char += 2;
    } else if ((current_char  & 0xf0) == 0xe0) ...{
      // < 1110-xxxx 10xx-xxxx 10xx-xxxx
      p_current_char += 3;
    } else if ((current_char  & 0xf8) == 0xf0) ...{
      // < 1111-0xxx 10xx-xxxx 10xx-xxxx 10xx-xxxx
      p_current_char += 4;

    } else if ((current_char & 0xfc) == 0xf8) ...{
      // 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
      p_current_char += 5;
    } else ...{
      // if((current_char & 0xfe) == 0xfc)
      // 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
      p_current_char += 6;
    }
    unicode_length++;
  }
  while (current_char != 0);

  wchar_t* des = new wchar_t[unicode_length];
  unsigned long unicode_index = 0;
  p_current_char = input_utf8;

  do ...{
    current_char = *p_current_char;

    if ((current_char & 0x80) == 0) ...{
      des[unicode_index] = p_current_char[0];

      p_current_char++;
    } else if ((current_char & 0xE0) == 0xC0) ...{
      // < 110x-xxxx 10xx-xxxx
      wchar_t &wide_char = des[unicode_index];
      wide_char  = (p_current_char[0] & 0x3F) << 6;
      wide_char |= (p_current_char[1] & 0x3F);

      p_current_char += 2;
    } else if ((current_char & 0xF0) == 0xE0) ...{
      // < 1110-xxxx 10xx-xxxx 10xx-xxxx
      wchar_t &wide_char = des[unicode_index];

      wide_char  = (p_current_char[0] & 0x1F) << 12;
      wide_char |= (p_current_char[1] & 0x3F) << 6;
      wide_char |= (p_current_char[2] & 0x3F);

      p_current_char += 3;
    } else if ((current_char & 0xF8) == 0xF0) ...{
      // < 1111-0xxx 10xx-xxxx 10xx-xxxx 10xx-xxxx
     wchar_t &wide_char = des[unicode_index];

     wide_char  = (p_current_char[0] & 0x0F) << 18;
     wide_char |= (p_current_char[1] & 0x3F) << 12;
     wide_char |= (p_current_char[2] & 0x3F) << 6;
     wide_char |= (p_current_char[3] & 0x3F);

     p_current_char += 4;
    } else if ((current_char & 0xfc) == 0xf8) ...{
      // 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
      wchar_t &wide_char = des[unicode_index];

      wide_char = (p_current_char[0] & 0x07) << 24;
      wide_char |= (p_current_char[1] & 0x3F) << 18;
      wide_char |= (p_current_char[2] & 0x3F) << 12;
      wide_char |= (p_current_char[3] & 0x3F) << 6;
      wide_char |= (p_current_char[4] & 0x3F);

      p_current_char += 5;
    } else ...{
      // if((*current_char & 0xfe) == 0xfc)
      // 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

      wchar_t &wide_char = des[unicode_index];

      wide_char = (p_current_char[0] & 0x03) << 30;
      wide_char |= (p_current_char[1] & 0x3F) << 24;
      wide_char |= (p_current_char[2] & 0x3F) << 18;
      wide_char |= (p_current_char[3] & 0x3F) << 12;
      wide_char |= (p_current_char[4] & 0x3F) << 6;
      wide_char |= (p_current_char[5] & 0x3F);
      p_current_char += 6;
    }
    unicode_index++;
  } while (current_char != 0);

  *p_output_unicode =  des;
  *length = unicode_length - 1;  // ignore the last 

  return true;
}

bool  EncodingConvertor::UTF82UrlEncode( const   char *  input_utf8,
                                        char   **  p_url_encode,
                                       unsigned  long   * length)  ... {
  unsigned long total_length = 0;
  // calculate output size
  const char* current_pos = input_utf8;
  do ...{
    // the char needs to be encode
    if (!((*current_pos) >= 'a' && (*current_pos) <= 'z') &&
      !((*current_pos) >= 'A' && (*current_pos) <= 'Z') &&
      !((*current_pos) >= '0' && (*current_pos) <= '9') &&
      !((*current_pos) == ' ') &&
      !((*current_pos) == '.') &&
      !((*current_pos) == '-') &&
      !((*current_pos) == '_') &&
      !((*current_pos) == '~') &&
      !((*current_pos) == ''') &&
      !((*current_pos) == '(') &&
      !((*current_pos) == ')') &&
      !((*current_pos) == '*') &&
      !((*current_pos) == 0)
      ) ...{
      total_length += 3;
    } else ...{
      total_length++;
    }
    if ((*current_pos) == 0) ...{  // the end of str
      break;
    }
    current_pos++;

  } while (true);
  char* output_buffer = new char[total_length];
  current_pos = input_utf8;
  char* target_current_pos = output_buffer;
  unsigned long left_size = total_length;
  // do conversion
  do ...{
    // the char needs to be encode
    if (!((*current_pos) >= 'a' && (*current_pos) <= 'z') &&
      !((*current_pos) >= 'A' && (*current_pos) <= 'Z') &&
      !((*current_pos) >= '0' && (*current_pos) <= '9') &&
      !((*current_pos) == ' ') &&
      !((*current_pos) == '.') &&
      !((*current_pos) == '-') &&
      !((*current_pos) == '_') &&
      !((*current_pos) == '~') &&
      !((*current_pos) == ''') &&
      !((*current_pos) == '(') &&
      !((*current_pos) == ')') &&
      !((*current_pos) == '*') &&
      !((*current_pos) == 0)
      ) ...{
        unsigned char temp_unsigned_char = *current_pos;
        // convert to unsigned to skip the sign bit

        ::_snprintf_s(target_current_pos,
          left_size,
          _TRUNCATE ,
          "%%%02X",
          temp_unsigned_char);
        target_current_pos += 3;
        left_size -= 3;
      } else if ((*current_pos) ==  ' ') ...{
        // the char blank
        *target_current_pos = '+';
        target_current_pos++;
        left_size--;
      } else ...{
        // char that need not change
        *target_current_pos = *current_pos;
        target_current_pos++;
        left_size--;
      }
      if ((*current_pos) == 0) ...{
        break;
      }
      current_pos++;
  } while (true);

  *p_url_encode = output_buffer;
  *length = total_length - 1;  // ignore last 
  return true;
}