汉字'我'
Unicode编码是 0x6211 0110
0010
00
010001
UTF8编码是 0xe68891 1110
0110
10
001000
100
010001
oxc0 11000000
0xE0 11100000
| Unicode符号范围 | UTF-8编码方式
n | (十六进制) | (二进制)
---+----------------------- -----------+--------------------------------------------------------------------------
1 | 0x00 - 0x7F | 0zzzzzzz
2 | 0x80 - 0x7FF | 110yyyyy 10zzzzzz
3 | 0x800 - 0xFFFF | 1110xxxx 10yyyyyy 10zzzzzz
--------------------------------------------------------------------------------------------------------------------
4 | 0x10000 - 0x1FFFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
5 | 0x200000 - 0x3FFFFFF | 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
6 | 0x4000000 - 0x7FFFFFFF | 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
表 UTF-8的编码规则
一:unicode转utf8
'我'的unicode编码0x6211,二进制为:01100010 00010001
将二进制形式分割成3段为0110 001000
010001
(分别是高4位、中间的6位、最后的低6位)
unicode转utf8只需要这3段分别填入1110xxxx 10yyyyyy 10zzzzzz中的xxxx yyyyyy zzzzzz
得utf8编码是0xe6889,二进制为: 11100110 10001000 100010001
int UnicodeToUtf8(char* pInput, char *pOutput)
{
int len = 0; //记录转换后的Utf8字符串的字节数
while (*pInput)
{
//处理一个unicode字符
char low = *pInput;//取出unicode字符的低8位
pInput++;
char high = *pInput;//取出unicode字符的高8位
int w=high<<8;
unsigned wchar = (high<<8)+low;//高8位和低8位组成一个unicode字符,加法运算级别高
if (wchar <= 0x7F ) //英文字符
{
pOutput[len] = (char)wchar; //取wchar的低8位
len++;
}
else if (wchar >=0x80 && wchar <= 0x7FF) //可以转换成双字节pOutput字符
{
pOutput[len] = 0xc0 |((wchar >> 6)&0x1f); //取出unicode编码低6位后的5位,填充到110yyyyy 10zzzzzz 的yyyyy中
len++;
pOutput[len] = 0x80 | (wchar & 0x3f); //取出unicode编码的低6位,填充到110yyyyy 10zzzzzz 的zzzzzz中
len++;
}
else if (wchar >=0x800 && wchar < 0xFFFF) //可以转换成3个字节的pOutput字符
{
pOutput[len] = 0xe0 | ((wchar >> 12)&0x0f); //高四位填入1110xxxx 10yyyyyy 10zzzzzz中的xxxx
len++;
pOutput[len] = 0x80 | ((wchar >> 6) & 0x3f); //中间6位填入1110xxxx 10yyyyyy 10zzzzzz中的yyyyyy
len++;
pOutput[len] = 0x80 | (wchar & 0x3f); //低6位填入1110xxxx 10yyyyyy 10zzzzzz中的zzzzzz
len++;
}
else //对于其他字节数的unicode字符不进行处理
{
return -1;
}
pInput ++;//处理下一个unicode字符
}
//utf8字符串后面,有个\0
pOutput [len]= 0;
return len;
}
二:utf8转unicode utf8二进制形式为1110xxxx 10yyyyyy 10zzzzzz
'我'的utf8编码0xe6889,二进制为:1110
0110 10
001000 10
0010001
分别提取里面的xxxx yyyyyy zzzzzz,然后组合成xxxxyyyy yyzzzzzz,
xxxxyyyy就是unicode的高8位,yyzzzzzz就是unicode的低8位
/*************************************************************************************************
* 将UTF8编码转换成Unicode(UCS-2LE)编码 低地址存低位字节
* 参数:
* char* pInput 输入字符串
* char*pOutput 输出字符串
* 返回值:转换后的Unicode字符串的字节数,如果出错则返回-1
**************************************************************************************************/
//utf8转unicode
int Utf8ToUnicode(char* pInput, char* pOutput)
{
int outputSize = 0; //记录转换后的Unicode字符串的字节数
while (*pInput)
{
if (*pInput > 0x00 && *pInput <= 0x7F) //处理单字节UTF8字符(英文字母、数字)
{
*pOutput = *pInput;
pOutput++;
*pOutput = 0; //小端法表示,在高地址填补0
}
else if (((*pInput) & 0xE0) == 0xC0) //处理双字节UTF8字符
{
char high = *pInput;
pInput++;
char low = *pInput;
if ((low & 0xC0) != 0x80) //检查是否为合法的UTF8字符表示
{
return -1; //如果不是则报错
}
*pOutput = (high << 6) + (low & 0x3F);
pOutput++;
*pOutput = (high >> 2) & 0x07;
}
else if (((*pInput) & 0xF0) == 0xE0) //处理三字节UTF8字符
{
char high = *pInput;
pInput++;
char middle = *pInput;
pInput++;
char low = *pInput;
if (((middle & 0xC0) != 0x80) || ((low & 0xC0) != 0x80))
{
return -1;
}
*pOutput = (middle << 6) + (low & 0x3F);//取出middle的低两位与low的低6位,组合成unicode字符的低8位
pOutput++;
*pOutput = (high << 4) + ((middle >> 2) & 0x0F); //取出high的低四位与middle的中间四位,组合成unicode字符的高8位
}
else //对于其他字节数的UTF8字符不进行处理
{
return -1;
}
pInput ++;//处理下一个utf8字符
pOutput ++;
outputSize += 2;
}
//unicode字符串后面,有两个\0
*pOutput = 0;
pOutput++;
*pOutput = 0;
return outputSize;
}
//一个调用示例
int main(int argc, char** argv)
{
//汉字“我”的UTF8编码是0xe68891,Unicode编码是 0x6211
//1、unicode转utf8
char unicodeStr[3]={0x11,0x62,0x00};//我的unicode编码是0x6211,按低地址存低位字节
char* utf8Str = new char [5];
memset(utf8Str,0,5);
int num = UnicodeToUtf8(unicodeStr,utf8Str);
unsigned char* p = (unsigned char*)utf8Str;
for (int i = 0; i < num; i++)
{
printf("%0x", *p);
p++;
}//输出e68891
printf("\n");
delete utf8Str;
//2、utf8转unicode
//char utf8Str[4] = {0xe6, 0x88, 0x91, 0x00};
//char* unicodeStr = new char[8];
//memset(unicodeStr,0,8);
//int num = Utf8ToUnicode(utf8Str, unicodeStr);
//if (num == -1)
//{
//printf("Error!\n");
//}
//else
//{
// unsigned char* p = (unsigned char*)unicodeStr;
//for (int i = 0; i < num; i++)
//{
//printf("%0x", *p);
//p++;
//}//输出1162
//printf("\n");
//}
//delete unicodeStr;
return 0;
}
三、gbk与unicode互转
参照博客:
http://blog.csdn.net/tge7618291/article/details/7599902 http://www.ithao123.cn/content-1832906.html