目录
一、字符集编码的发展
1.1、字符集和字符编码的区别和联系
- 字符集:多个字符的集合。例如GB2312是中国国家标准的简体中文字符集,GB2312收录简化汉字(6763个)及一般符号、序号、数字、拉丁字母、日文假名、希腊字母、俄文字母、汉语拼音符号、汉语注音字母,共 7445 个图形字符。
- 字符编码:把字符集中的字符编码为(映射)指定集合中的某一对象(例如:比特模式、自然数序列、电脉冲),以便文本在计算机中存储和通过通信网络的传递。
字符集和字符编码的关系 : 字符集是书写系统字母与符号的集合,而字符编码则是将字符映射为一特定的字节或字节序列,是一种规则。
通常特定的字符集采用特定的编码方式(即一种字符集对应一种字符编码(例如:ASCII、IOS-8859-1、GB2312、GBK,都是即表示了字符集又表示了对应的字符编码,但Unicode不是,它采用现代的模型))
1.2、字符集编码的发展
(1) 单字节
ASCII(American Standard Code for Information Interchange), 128个字符, 用7位二进制表示(00000000-01111111即0x00-0x7F); EASCII(Extended ASCII),256个字符,用8位二进制表示(00000000-11111111即0x00-0xFF)。 当计算机传到了欧洲,国际标准化组织在ASCII的基础上进行了扩展,形成了ISO-8859标准,跟EASCII类似,兼容ASCII,在高128个码位上有所区别。但是由于欧洲的语言环境十分复杂,所以根据各地区的语言又形成了很多子标准,ISO-8859-1、ISO-8859-2、ISO-8859-3、……、ISO-8859-16。
(2)双字节
当计算机传到了亚洲,256个码位就不够用了。于是乎继续扩大二维表,单字节改双字节,16位二进制数,65536个码位。在不同国家和地区又出现了很多编码,大陆的GB2312、港台的BIG5、日本的Shift JIS等等。
注意65536个码位这种说法只是理想情况,由于双字节编码可以是变长的,也就是说同一个编码里面有些字符是单字节表示,有些字符是双字节表示。这样做的好处是,一方面可以兼容ASCII,另一方面可以节省存储容量,代价就是会损失一部分码位。
GBK(Chinese Internal Code Specification)是GB2312的扩展(gbk编码能够用来同时表示繁体字和简体字),按理说都属于双字节编码,码位是一样的,根本谈不上扩展,但实际上是预留空间在起作用。比如下图为GBK的编码空间,GBK/1、GBK/2是GB2312的区域,GBK/3、GBK/4、GBK/5是GBK的区域,红色是用户自定义区域,白色可能就是由于变长编码损失的区域了。 GBK全称《汉字内码扩展规范》,支持国际标准ISO/IEC10646-1和国家标准GB13000-1中的全部中日韩汉字。
GBK字符集中所有中文字符和全角符号占2个字节,字母和半角符号占一个字节。 没有特殊的编码方式,习惯称呼GBK 编码。一般在国内,汉字较多时使用。
当互联网席卷了全球,地域限制被打破了,不同国家和地区的计算机在交换数据的过程中,就会出现乱码的问题,即对同一组二进制数据,不同的编码会解析出不同的字符。
UNICODE字符集国际标准字符集,它将世界各种语言的每个字符定义一个唯一的编码,以满足跨语言、跨平台的文本信息转换。 有多个编码方式,分别是UTF-8,UTF-16,UTF-32编码。
范例:“汉字”对应的UNICODE数字是0x6c49和0x5b57,而编码的程序数据是:
UTF8编码:E6B189 E5AD97
UTF16BE编码:6C49 5B57
UTF32BE编码:00006C490 0005B57
(3) 多字节
Unicode字符集 可以使用的编码有三种:
- UFT-8:一种变长的编码方案,使用 1~6 个字节来存储;
- UFT-32:一种固定长度的编码方案,不管字符编号大小,始终使用 4 个字节来存储;
- UTF-16:介于 UTF-8 和 UTF-32 之间,使用 2 个或者 4 个字节来存储,长度既固定又可变。
UTF 是 Unicode Transformation Format 的缩写,意思是“Unicode转换格式”,后面的数字表明至少使用多少个比特位(Bit)来存储字符。
GB18030字符集采用单字节、双字节和四字节三种方式对字符编码。 兼容GBK和GB2312字符集。
(4)UTF-8
UTF-8: 是一种变长字符编码,被定义为将代码点编码为1至4个字节,具体取决于代码点数值中有效位的数量。
注意:UTF-8不是编码规范,而是编码方式。
unicode编码(16进制) | UTF-8 字节流(二进制) |
000000 - 00007F | 0xxxxxxx |
000080 - 0007FF | 110xxxxx 10xxxxxx |
000800 - 00FFFF | 1110xxxx 10xxxxxx 10xxxxxx |
01 0000 - 10 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx |
例如:汉字 严的Unicode码是4E25转换成二进制就是01001110 00100101共15位,根据上表可知使用UTF-8字符编码后占3个字节,因此前3位是1,第4位(n+1位)是0,后面两个字节中每个字节的前两位都是10,即1110 xxxx 10 xxxxxx 10xxxxxx。填充进去后就变成了1110 0100 10 111000 10 100101共计24位占3个字节。
000800 - 00FFFF (4E25)
0100 111000 100101
11100100 10111000 10100101 -> E4B8A5
(5)UFT-16
UFT-16比较奇葩,它使用 2 个或者 4 个字节来存储。
对于 Unicode 编号范围在 0 ~ FFFF 之间的字符,UTF-16 使用两个字节存储,并且直接存储 Unicode 编号,不用进行编码转换,这跟 UTF-32 非常类似。
对于 Unicode 编号范围在 10000~10FFFF 之间的字符,UTF-16 使用四个字节存储,具体来说就是:将字符编号的所有比特位分成两部分,较高的一些比特位用一个值介于 D800~DBFF 之间的双字节存储,较低的一些比特位(剩下的比特位)用一个值介于 DC00~DFFF 之间的双字节存储。
Unicode 编号范围(十六进制)
| 具体的 Unicode 编号(二进制) | UTF-16 编码 | 编码后的 字节数 |
0000 0000 ~ 0000 FFFF | xxxxxxxx xxxxxxxx | xxxxxxxx xxxxxxxx | 2 |
0001 0000---0010 FFFF | yyyy yyyy yyxx xxxx xxxx | 110110yy yyyyyyyy 110111xx xxxxxxxx | 4 |
UTF-16BE,其后缀是 BE 即 big-endian,大端的意思。大端就是将高位的字节放在低地址表示。 UTF-16LE,其后缀是 LE 即 little-endian,小端的意思。小端就是将高位的字节放在高地址表示。 UTF-16,没有指定后缀,即不知道其是大小端,所以其开始的两个字节表示该字节数组是大端还是小端。即FE FF表示大端,FF FE表示小端。
(6)UTF-32
UTF-32 是固定长度的编码,始终占用 4 个字节,足以容纳所有的 Unicode 字符,所以直接存储 Unicode 编号即可,不需要任何编码转换。浪费了空间,提高了效率。
1.3、总结
程序打开一个文件时怎么识别用的是UTF-8还是UTF-16? 是否有标志做标志,在文件的开头几个字节就是标志.
- EF BB BF 表示UTF-8
- FE FF 表示UTF-16BE
- FF FE 表示UTF-16LE
- 00 00 FE FF 表示UTF32-BE
- FF FE 00 00 表示UTF32-LE
只有 UTF-8 兼容 ASCII,UTF-32 和 UTF-16 都不兼容 ASCII,因为它们没有单字节编码。
查看完整的Unicode字符集,以及各种编码方式:https://unicode-table.com/cn/
Unicode和UTF编码转换:https://www.qqxiuzi.cn/bianma/Unicode-UTF.php
二、字符集相关命令
2.1、什么是BOM
BOM(Byte Order Mark)字节序(字节顺序的标识),其实就是用大端(BE)还是小端(LE)。
UTF在文件中的存储。UTF格式在文件中总有固定文件头:
UTF编码 | Byte Order Mark |
UTF-8 | EF BB BF |
UTF-16LE | FF FE |
UTF-16BE | FE FF |
UTF-32LE | FF FE 00 00 |
UTF-32BE | 00 00 FE FF |
UTF-8缺省不带BOM UTF-8中有一字节的情况,这种情况,就没有两端的说法了。至于另外的二,三,四字节情况,以三字节为例,如果你一定要弄出端法,也不是说不可以,比如,小端法就是“小-中-大”,大端法就是“大-中-小”。但现实情况是UTF-8仅仅采用了一种端法,就是大端法。
2.2、字符集相关命令
如何查看文件的编码方式?
范例:
file -i chatset.cpp
如何转换编码方式?
iconv命令是用来转换文件的编码方式的,比如它可以将UTF8编码的转换成GB18030的编码,反过来也行。Linux下的iconv开发库包括iconv_open,iconv_close,iconv等C函数,可以用来在C/C++程序中很方便的转换字符编码
语法: iconv -f encoding [-t encoding] [inputfile]...
选项:
-f encoding :把字符从encoding编码开始转换。
-t encoding :把字符转换到encoding编码。
-l :列出已知的编码字符集合
-o file :指定输出文件
-c :忽略输出的非法字符
-s :禁止警告信息,但不是错误信息
--verbose :显示进度信息
-f和-t所能指定的合法字符在-l选项的命令里面都列出来了。
(1)iconv支持的格式
这里节选部分格式: UTF-8, UTF-16, UTF-16BE, UTF-16LE, UTF-32, UTF-32BE, UTF-32LE, UTF8, UTF16, UTF16BE, UTF16LE, UTF32, UTF32BE, UTF32LE GB2312 GBK ISO-8859-1
(2)iconv支持的转换各种格式
iconv -f UTF-8 -t UTF-8 utf8.txt -o UTF-8.txt
iconv -f UTF-8 -t UTF8 utf8.txt -o UTF8.txt
iconv -f UTF-8 -t UTF-16 UTF-8.txt -o UTF-16.txt
iconv -f UTF-8 -t UTF-16BE UTF-8.txt -o UTF-16BE.txt
iconv -f UTF-8 -t UTF-16LE UTF-8.txt -o UTF-16LE.txt
iconv -f UTF-8 -t UTF16 UTF-8.txt -o UTF16.txt
iconv -f UTF-8 -t UTF16BE UTF-8.txt -o UTF16BE.txt
iconv -f UTF-8 -t UTF16LE UTF-8.txt -o UTF16LE.txt
iconv -f UTF-8 -t UTF-32 UTF-8.txt -o UTF-32.txt
iconv -f UTF-8 -t UTF-32BE UTF-8.txt -o UTF-32BE.txt
iconv -f UTF-8 -t UTF-32LE UTF-8.txt -o UTF-32LE.txt
iconv -f UTF-8 -t GB2312 UTF-8.txt -o GB2312.txt
iconv -f UTF-8 -t GBK UTF-8.txt -o GBK.txt
iconv -f UTF-8 -t ISO-8859-1 UTF-8.txt -o ISO-8859-1.txt
三、字符集转换相关编程实现
随着互联网时代的到来,通过互联网进行文字交流也逐渐增多:浏览外国的网站,这个时候字符编码的转换变得尤为重要。这带来了一个问题,就是许多字符在某一种编码方式中没有。为了解决这种混乱,Unicode的编码方式被建立。Unicode是一种超级编码包含了所有这些编码的字符集,因此一些新的文本格式像XML的默认编码方式就是Unicode.
但是很多老式的计算机还在使用当地的传统的字符编码方式。而一些程序,例如邮件程序和浏览器必须能在这些不同的用户编码之间作转换。其他的一些程序则内置支持Unicode,以顺利支持国际化的处理,但是仍然有在Unicode和其他的传统编码之间转换的需求。GNU的libiconv就是为这两种应用设计的编码转换库。
3.1、windows下vs2015编译安装iconv
这里可以直接使用我已经编译好的libiconv库,具体链接:
链接:https://pan.baidu.com/s/1FAqkN9ggxSpLlRhvPtMIig 提取码:6jpt
参考链接:在Windows下编译iconv
3.2、在vs2015中编译实现转换
- 获得转换句柄
函数:iconv_t iconv_open (const char* tocode, const char* fromcode);
其中:tocode:目标编码方式;fromcode: 源编码方式
另外,还可以设置目的编码, 如TRANSLIT:遇到无法转换的字符就找相近字符替换; IGNORE :遇到无法转换字符跳过。具体使用中可以这样设置:char *encTo = "UNICODE//TRANSLIT",UNICODE表示编码方式,TRANSLIT编码设置。
范例:iconv_t cd = iconv_open(“UTF−8”, “UTF−16”);
- 进行转换
函数:size_t iconv (iconv_t cd, const char* * inbuf, size_t * inbytesleft, char* * outbuf, size_t * outbytesleft);
其中:
cd:iconv_open()产生的句柄
inbuf:需要转换的字符串
inbytesleft:存放还有多少字符没有转换
outbuf:存放转换后的字符串
outbytesleft:存放转换后,tempoutbuf剩余的空间
返回值:返回-1则说明出现异常,错误码:E2BIG:outbuf没有足够的空间;EILSEQ:遇到无效的多字节序列;EINVAL:遇到不完整的多字节序列。
范例:size_t ret = iconv(cd, &srcstart, &srclen, &tempoutbuf, &outlen);
- 关闭句柄
函数:int iconv_close (iconv_t cd);
范例:iconv_close(cd);
这里有个最基本的例子来说明,具体代码如下:
#include<iostream>
#include<string>
#include<iconv.h>
using namespace std;
int main(){
/* 目的编码, TRANSLIT:遇到无法转换的字符就找相近字符替换
* IGNORE :遇到无法转换字符跳过*/
//char *encTo = "UNICODE//TRANSLIT";
// char *encTo = "UNICODE//IGNORE";
char *encTo = "UTF-16";
/* 源编码 */
char *encFrom = "UTF-8";
/* 获得转换句柄
*@param encTo 目标编码方式
*@param encFrom 源编码方式
*
* */
iconv_t cd = iconv_open(encTo, encFrom);
if (cd == (iconv_t)-1)
{
perror("iconv_open");
}
/* 需要转换的字符串 */
const char inbuf[1024]="学习unicode编码";
size_t srclen=strlen(inbuf);
cout<<"srclen= "<<srclen<<endl;
/* 存放转换后的字符串 */
size_t outlen = 1024;
char outbuf[1024];
size_t utf16_len = outlen;
memset(outbuf, 0, outlen);
/* 由于iconv()函数会修改指针,所以要保存源指针 */
const char *srcstart = inbuf;
char *tempoutbuf = outbuf;
printf("utf8:\n");
for (int i = 0; i < strlen(inbuf); i++)
{
printf("%02x ", inbuf[i]);
}
printf("\n");
/* 进行转换
*@param cd iconv_open()产生的句柄
*@param srcstart 需要转换的字符串
*@param srclen 存放还有多少字符没有转换
*@param tempoutbuf 存放转换后的字符串
*@param outlen 存放转换后,tempoutbuf剩余的空间
*
* */
outlen = 20;
printf("1 srcstart=%p, tempoutbuf=%p, srclen=%ld, outlen=%ld\n",
srcstart, tempoutbuf, srclen, outlen);
size_t ret = iconv(cd, &srcstart, &srclen, &tempoutbuf, &outlen);
printf("2 srcstart=%p, tempoutbuf=%p, srclen=%ld, outlen=%ld\n",
srcstart, tempoutbuf, srclen, outlen);
if (ret == -1)
{
perror("iconv");
}
utf16_len = utf16_len - outlen;
printf("inbuf=%s, srclen=%d, outbuf=%s, outlen=%d, ret = %d\n",
inbuf, srclen, outbuf, utf16_len, ret);
printf("utf16:\n");
for (int i = 0; i < utf16_len; i++)
{
printf("%02x ", outbuf[i]);
}
printf("\n");
/* 关闭句柄 */
iconv_close(cd);
return 0;
}
最终结果如下:
参考链接:
开发文档:http://www.gnu.org/software/libiconv/documentation/libiconv-1.13/