utf-8编码原理

[color=blue]UTF-8 编码字符理论上可以最多到 6个字节长，但目前全世界的所
有文字和符号种类加起来也只要编到 4个字节长就够了。
　　UTF-8 是以 8位（即 1个字节）为单元对原始码进行编码（注意一
点：这里所讲的原始码都是指Unicode码），并规定：多字节码（2个字
节以上才称为多字节）以转换后第1个字节起头的连续“1”的数目（这
些连续“1”称为标记位），表示转换成几个字节：“110”连续两个
“1”，表示转换结果为2个字节，“1110”表示3个字节，而“11110”
则表示4个字节……跟随在标记位之后的“0”，其作用是分隔标记位和
字符码位。第2～第4个字节的起头两个位固定设置为“10”，也作为标
记，剩下的6个位才做为字符码位使用。
　　这样，2字节UTF-8码剩下11个字符码位，可用以转换0080～07FF的
原始字符码，3字节剩下16个字符码位，可用以转换0800～FFFF的原始字
符码，由此类推。编码方式的模板如下：[/color]

[color=blue]原始码（16进制）　UTF－8编码（二进制）
--------------------------------------------
0000 - 007F 0xxxxxxx
0080 - 07FF 110xxxxx 10xxxxxx
0800 - FFFF 1110xxxx 10xxxxxx 10xxxxxx
……
--------------------------------------------[/color]

　　模板中的“x”表示字符码。
　　VB能识别的 Ascii码＜007F，所以在VB中，Ascii码都只能编为1个
字节的UTF－8码。汉字的 Unicode编码范围为0800－FFFF，所以被编为
3个字节的UTF－8码。
　　例如“汉”字的Unicode编码是6C49，6C49在0800-FFFF之间，所以
要用3个字节的模板：1110xxxx 10xxxxxx 10xxxxxx。
　　UTF－8文本文件与Unicode文本文件类似，在文件的头部也有标记字
节，Unicode文件的标记是2个字节：&HFF 和 &HFE，UTF－8文件的标记
是3个字节：&HEF、&HBB 和 &HBF

　　要写入UTF-8编码的文本文件，关键是对汉字编码的处理。我们从
上述的汉字编码模板就可以看出，对汉字的处理步骤大致为：
第一步：取得汉字的Unicode码
第二步：将Unicode码分解为两个16进制数据
第三步：将这两个16进制数据转换成二进制数据并连接
第四步：将二进制数据分解为三个串，第一个串为4个位，在前面加上
标记位“1110”，第二、三个串均为6个位，分别在前面加上“10”标
记位
第五步：将这三个串分别转换为10进制数据并赋值给字节型数组
第六步：将字节型数组用二进制法写盘，并且要先在文本头存入三个字
节的标记（&HEF、&HBB、&HBF），再将转换好的数据写入

　　要读取UTF-8编码的文本文件，对汉字的处理步骤大致为：
第一步：用二进制法读入文本数据，赋值给字节型数组，并判断前3个字
节是否UTF－8标记，如果是，才进行以下的处理
第二步：逐个字节判断是否汉字编码，如果是，就再提取后两个数组元
素，共三个数组元素来加以处理
第三步：将这三个数据都转换成16进制数据
第四步：将三个16进制数据都转换成二进制数据
第五步：从第一个二进制数据中去掉前4位，从第二、三个二进制数据
中分别去掉前2位，并将这三个处理后的二进制数据依次连接，成为一
个16位的字串
第六步：从这个二进制串中分别提取前8位和后8位转换成两个10进制
数据，这两个数据就是汉字的Unicode码了，将它们赋值给一个字符型
变量即可