从txt文件读取汉字（UTF-8到Unicode到GBK的转化）

GBK是Windows默认的汉字编码方式，又称国标。想在控制台或是控件上显示汉字使用这种编码方式最方便。

UTF-8是一种变长字节编码方式，把字节数边长，可以容纳更多的信息。

UTF-8编码方式：

当码长为1字节的时候，兼容ascii编码，格式为0xxxxxxx （x处表示有效位）
当码长为2字节的时候，格式为110xxxxx 10xxxxxx
当码长为3字节的时候，格式为1110xxxx 10xxxxxx 10xxxxxx
当码长为4字节的时候，格式为11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

...

来自：https://blog.csdn.net/haohulala/article/details/86600936

· UTF8编码的码长最大为6字节，1111110x 10...

· 如果一个汉字的utf8编码为110aaaaa 10bbbbbb 则其对应的Unicode编码为aaaaabbbbbb，其他同理

所以我们就有了对于单个字符的UTF-8到Unicode的转换过程

int GetUTF8Length(unsigned char *sUTF8){ 
	unsigned char _s0=sUTF8[0];
	if( _s0 >> 7 == 0b0 )return 1;
	if( _s0 >> 5 == 0b110 )return 2;
	if( _s0 >> 4 == 0b1110 )return 3;
	if( _s0 >> 3 == 0b11110 )return 4;
	if( _s0 >> 2 == 0b111110 )return 5;
	if( _s0 >> 1 == 0b1111110 )return 6;
	return 0;
}
unsigned int UTF8_To_Unicode(unsigned char *sUTF8){
	int l=GetUTF8Length(sUTF8);
	if(l==1) return sUTF8[0];
	if(l==2) return ((sUTF8[0]& 0b00011111)<<6) 
			+  (sUTF8[1]& 0b00111111);//0b110xxxxx
	if(l==3) return ((sUTF8[0]& 0b00001111)<<12) 
			+ ((sUTF8[1]& 0b00111111)<<6)
			+  (sUTF8[2]& 0b00111111);//0b1110xxxx
	if(l==4) return ((sUTF8[0]& 0b00000111)<<18)
			+ ((sUTF8[1]& 0b00111111)<<12)
			+ ((sUTF8[2]& 0b00111111)<<6)
			+  (sUTF8[3]& 0b00111111);//0b11110xxx
	if(l==5) return ((sUTF8[0]& 0b00000011)<<24)
			+ ((sUTF8[1]& 0b00111111)<<18)
			+ ((sUTF8[2]& 0b00111111)<<12)
			+ ((sUTF8[3]& 0b00111111)<<6)
			+  (sUTF8[4]& 0b00111111);//0b111110xx
	if(l==6) return ((sUTF8[0]& 0b00000001)<<30)
			+ ((sUTF8[1]& 0b00111111)<<24)
			+ ((sUTF8[2]& 0b00111111)<<18)
			+ ((sUTF8[3]& 0b00111111)<<12)
			+ ((sUTF8[4]& 0b00111111)<<6)
			+  (sUTF8[5]& 0b00111111);//0b1111110x
}

我暂且还没想出一种好的算法把这几大坨if用一个简短的表达式表示，欢迎大家讨论。

至于Unicode到GBK的转换，c++有一些函数可以帮忙

char* Unicode_To_GBK(unsigned int cUni){//Unicode 16 BE
	char* sGBK=new char[6];
	wsprintf(sGBK,"%wc",(wchar_t)cUni);
	return sGBK;
}

下面是读取汉字源码

#include <Windows.h>
#include<iostream>
#include<cstdio>
//#include<bitset>
#include<cstring>
using namespace std;
//void binoutput(int n){ //二进制输出 
//	cout<<bitset<10>(n)<<"\n"; 
//}

int GetUTF8Length(char *sUTF8){ 
	unsigned char _s0=sUTF8[0];
	if( _s0 >> 7 == 0b0 )return 1;
	if( _s0 >> 5 == 0b110 )return 2;
	if( _s0 >> 4 == 0b1110 )return 3;
	if( _s0 >> 3 == 0b11110 )return 4;
	if( _s0 >> 2 == 0b111110 )return 5;
	if( _s0 >> 1 == 0b1111110 )return 6;
	return 0;
}
unsigned int UTF8_To_Unicode(unsigned char *sUTF8){
	int l=GetUTF8Length(reinterpret_cast<char *>(sUTF8));
	if(l==1) return sUTF8[0];
	if(l==2) return ((sUTF8[0]& 0b00011111)<<6) 
			+  (sUTF8[1]& 0b00111111);//0b110xxxxx
	if(l==3) return ((sUTF8[0]& 0b00001111)<<12) 
			+ ((sUTF8[1]& 0b00111111)<<6)
			+  (sUTF8[2]& 0b00111111);//0b1110xxxx
	if(l==4) return ((sUTF8[0]& 0b00000111)<<18)
			+ ((sUTF8[1]& 0b00111111)<<12)
			+ ((sUTF8[2]& 0b00111111)<<6)
			+  (sUTF8[3]& 0b00111111);//0b11110xxx
	if(l==5) return ((sUTF8[0]& 0b00000011)<<24)
			+ ((sUTF8[1]& 0b00111111)<<18)
			+ ((sUTF8[2]& 0b00111111)<<12)
			+ ((sUTF8[3]& 0b00111111)<<6)
			+  (sUTF8[4]& 0b00111111);//0b111110xx
	if(l==6) return ((sUTF8[0]& 0b00000001)<<30)
			+ ((sUTF8[1]& 0b00111111)<<24)
			+ ((sUTF8[2]& 0b00111111)<<18)
			+ ((sUTF8[3]& 0b00111111)<<12)
			+ ((sUTF8[4]& 0b00111111)<<6)
			+  (sUTF8[5]& 0b00111111);//0b1111110x
}
char* Unicode_To_GBK(unsigned int cUni){//Unicode 16 BE
	char* sGBK=new char[6];
	wsprintf(sGBK,"%wc",(wchar_t)cUni);
	return sGBK;
}
char* UTF8_To_GBK(char *sUTF8){
	return Unicode_To_GBK(UTF8_To_Unicode(reinterpret_cast<unsigned char *>(sUTF8)));
}
int main(){
/*
啊 	GBK:			0xB0 0xA1
	Unicode-16 LE:	0x4A 0x55
	Unicode-16 BE:	0x55 0x4A
	UTF-8:			0xE5 0x95 0x8A
*/
	FILE *fp=fopen("hanzi.txt","r");
	char str[100]={0},*pstr,*endstr;
	while(!feof(fp)){
		fgets(str,100,fp);
		pstr=str;
		endstr=str+strlen(str);
		while(pstr < endstr){
			printf("%s",UTF8_To_GBK(pstr));
			pstr+= GetUTF8Length(pstr);
		}
	}
	fclose(fp);
}

 提一嘴reinterpret_cast，强制转换真是太爽了，当年被一堆cannot convert from type to const type 要折磨疯了。