Unicode与UTF-8互转（c语言和lua语言）
https://www.cnblogs.com/lxjshuju/p/6812387.html
Uincode中文2字节 UTF-8中文3字节
1. 基础
1.1 ASCII码
我们知道, 在计算机内部, 全部的信息终于都表示为一个二进制的字符串. 每个二进制
位(bit)有0和1两种状态, 因此八个二进制位就能够组合出 256种状态, 这被称为一个字
节(byte). 也就是说, 一个字节一共能够用来表示256种不同的状态, 每个状态相应一
个符号, 就是256个符号, 从 0000000到11111111.
上个世纪60年代, 美国制定了一套字符编码, 对英语字符与二进制位之间的关系, 做了统
一规定. 这被称为ASCII码, 一直沿用至今.
ASCII码一共规定了128个字符的编码, 比方空格"SPACE"是32(二进制00100000), 大写的
字母A是65(二进制01000001). 这128个符号(包含32个不能打印出来的控制符号), 仅仅占用
了一个字节的后面7位, 最前面的1位统一规定为0.
1.2 非ASCII编码
英语用128个符号编码就够了, 可是用来表示其它语言, 128个符号是不够的. 比方, 在法
语中, 字母上方有注音符号, 它就无法用ASCII码表示. 于是, 一些欧洲国家就决定, 利
用字节中闲置的最高位编入新的符号. 比方, 法语中的é的编码为130(二进制10000010).
这样一来, 这些欧洲国家使用的编码体系, 能够表示最多256个符号.
可是, 这里又出现了新的问题. 不同的国家有不同的字母, 因此, 哪怕它们都使用256个
符号的编码方式, 代表的字母却不一样. 比方, 130在法语编码中代表了é, 在希伯来语
编码中却代表了字母Gimel (ג), 在俄语编码中又会代表还有一个符号.
NOTE:
可是无论如何, 全部这些编码方式中, 0-127表示的符号是一样的, 不一样的仅仅是128-255
的这一段. // MMMMM
至于亚洲国家的文字, 使用的符号就很多其它了, 汉字就多达10万左右. 一个字节仅仅能表示
256种符号, 肯定是不够的, 就必须使用多个字节表达一个符号. 比方, 中文简体常见的
编码方式是GB2312, 使用两个字节表示一个汉字, 所以理论上最多能够表示
256x256=65536个符号.
2. Unicode
2.1 Unicode的定义
正如上一节所说, 世界上存在着多种编码方式, 同一个二进制数字能够被解释成不同的符
号. 因此, 要想打开一个文本文件, 就必须知道它的编码方式, 否则用错误的编码方式解
读, 就会出现乱码. 为什么电子邮件经常出现乱码?
就是由于发信人和收信人使用的编码
方式不一样.
能够想象, 假设有一种编码, 将世界上全部的符号都纳入当中. 每个符号都给予一个独
一无二的编码, 那么乱码问题就会消失. 这就是Unicode, 就像它的名字都表示的, 这是
一种全部符号的编码.
Unicode也是一种字符编码方法, 只是它是由国际组织设计, 能够容纳全世界全部语言文
字的编码方案. Unicode的学名是"Universal Multiple-Octet Coded Character Set",
简称为UCS. UCS能够看作是"Unicode Character Set"的缩写.
Unicode当然是一个非常大的集合, 如今的规模能够容纳100多万个符号. 每一个符号的编码都
不一样, 比方, U+0639表示阿拉伯字母Ain, U+0041表示英语的大写字母A, U+4E25表示汉
字"严". 详细的符号相应表, 能够查询unicode.org, 或者专门的汉字相应表.
2.2 Unicode的问题
须要注意的是, "Unicode仅仅是一个符号集, 它仅仅规定了符号的二进制代码, 却没有规定这
个二进制代码应该怎样存储".
比方, 汉字"严"的unicode是十六进制数4E25, 转换成二进制数足足有15位
(100111000100101), 也就是说这个符号的表示至少须要2个字节. 表示其它更大的符号,
可能须要3个字节或者4个字节, 甚至很多其它.
这里就有两个严重的问题, 第一个问题是, 怎样才干差别unicode和ascii?计算机怎么知
道三个字节表示一个符号, 而不是分别表示三个符号呢?
第二个问题是, 我们已经知道,
英文字母仅仅用一个字节表示就够了, 假设unicode统一规定, 每一个符号用三个或四个字节
表示, 那么每一个英文字母前都必定有二到三个字节是0, 这对于存储来说是极大的浪费,
文本文件的大小会因此大出二三倍, 这是无法接受的.
它们造成的结果是:
1) 出现了unicode的多种存储方式, 也就是说有很多种不同的二进制格式,
能够用来表示unicode.
2) unicode在非常长一段时间内无法推广, 直到互联网的出现
3. UTF-8
互联网的普及, 强烈要求出现一种统一的编码方式. UTF-8就是在互联网上使用最广的一
种unicode的实现方式. 其它实现方式还包含UTF-16和UTF-32, 只是在互联网上基本不用.
反复一遍, 这里的关系是, UTF-8是Unicode的实现方式之中的一个.
UTF-8最大的一个特点, 就是它是一种变长的编码方式. 它能够使用1~6个字节表示一个符
号, 依据不同的符号而变化字节长度.
3.1 UTF-8的编码规则
UTF-8的编码规则非常easy, 仅仅有两条:
1) 对于单字节的符号, 字节的第一位设为0, 后面7位为这个符号的unicode码. 因此对于
英语字母, UTF-8编码和ASCII码是同样的.
2) 对于n字节的符号(n>1), 第一个字节的前n位都设为1, 第n+1位设为0, 后面字节的前
两位一律设为10. 剩下的没有提及的二进制位, 所有为这个符号的unicode码.
下表总结了编码规则, 字母x表示可用编码的位.
- <span xmlns="http://www.w3.org/1999/xhtml" style="">// #txt---
- | Unicode符号范围 | UTF-8编码方式
- n | (十六进制) | (二进制)
- ---+-----------------------+------------------------------------------------------
- 1 | 0000 0000 - 0000 007F | 0xxxxxxx
- 2 | 0000 0080 - 0000 07FF | 110xxxxx 10xxxxxx
- 3 | 0000 0800 - 0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx
- 4 | 0001 0000 - 0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
- 5 | 0020 0000 - 03FF FFFF | 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
- 6 | 0400 0000 - 7FFF FFFF | 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
- 表 1. UTF-8的编码规则
- // #txt---end
- </span>
以下, 还是以汉字" 严 "为例, 演示怎样实现UTF-8编码.
已知" 严 "的unicode是4E25 (1001110 00100101) , 依据上表, 能够发现4E25处在第三行的
范围内 (0000 0800 - 0000 FFFF) , 因此" 严 "的UTF-8编码须要三个字节, 即格式是
" 1110xxxx 10xxxxxx 10xxxxxx ". 然后, 从" 严 "的最后一个二进制位開始, 依次从后向前
填入格式中的x, 多出的位补0. 这样就得到了, " 严 "的UTF-8编码是 " 11100100 10111000
10100101", 转换成十六进制就是E4B8A5.
5. Unicode与UTF-8之间的转换（C语言版）
从表1我们非常明显能够得知Unicode与UTF-8的关系, 以下以C语言实现两者之间的转换. 在链接中进入
6、我用过的代码
https://www.cnblogs.com/etangyushan/p/3753847.html
7、知乎转载的介绍
很久很久以前，有一群人，他们决定用8个可以开合的晶体管来组合成不同的状态，以表示世界上的万物。他们看到8个开关状态是好的，于是他们把这称为”字节“。再后来，他们又做了一些可以处理这些字节的机器，机器开动了，可以用字节来组合出很多状态，状态开始变来变去。他们看到这样是好的，于是它们就这机器称为”计算机“。
开始计算机只在美国用。八位的字节一共可以组合出256(2的8次方)种不同的状态。
他们把其中的编号从0开始的32种状态分别规定了特殊的用途，一但终端、打印机遇上约定好的这些字节被传过来时，就要做一些约定的动作：
遇上0×10, 终端就换行；
遇上0×07, 终端就向人们嘟嘟叫；
遇上0x1b, 打印机就打印反白的字，或者终端就用彩色显示字母。
他们看到这样很好，于是就把这些0×20以下的字节状态称为”控制码”。他们又把所有的空
格、标点符号、数字、大小写字母分别用连续的字节状态表示，一直编到了第127号，这样计算机就可以用不同字节来存储英语的文字了。大家看到这样，都感觉
很好，于是大家都把这个方案叫做 ANSI 的”Ascii”编码（American Standard Code for Information Interchange，美国信息互换标准代码）。当时世界上所有的计算机都用同样的ASCII方案来保存英文文字。
后来，就像建造巴比伦塔一样，世界各地都开始使用计算机，但是很多国家用的不是英文，他们的字母里有许多是ASCII里没有的，为了可以在计算机保存他们的文字，他们决定采用
127号之后的空位来表示这些新的字母、符号，还加入了很多画表格时需要用下到的横线、竖线、交叉等形状，一直把序号编到了最后一个状态255。从128 到255这一页的字符集被称”扩展字符集“。从此之后，贪婪的人类再没有新的状态可以用了，美帝国主义可能没有想到还有第三世界国家的人们也希望可以用到计算机吧！
等中国人们得到计算机时，已经没有可以利用的字节状态来表示汉字，况且有6000多个常用汉字需要保存呢。但是这难不倒智慧的中国人民，我们不客气地把那些127号之后的奇异符号们直接取消掉, 规定：一个小于127的字符的意义与原来相同，但两个大于127的字符连在一起时，就表示一个汉字，前面的一个字节（他称之为高字节）从0xA1用到0xF7，后面一个字节（低字节）从0xA1到0xFE，这样我们就可以组合出大约7000多个简体汉字了。在这些编码里，我们还把数学符号、罗马希腊的字母、日文的假名们都编进去了，连在 ASCII 里本来就有的数字、标点、字母都统统重新编了两个字节长的编码，这就是常说的”全角”字符，而原来在127号以下的那些就叫”半角”字符了。中国人民看到这样很不错，于是就把这种汉字方案叫做 “GB2312“。GB2312 是对 ASCII 的中文扩展。
但是中国的汉字太多了，我们很快就就发现有许多人的人名没有办法在这里打出来，特别是某些很会麻烦别人的国家领导人。于是我们不得不继续把GB2312 没有用到的码位找出来老实不客气地用上。后来还是不够用，于是干脆不再要求低字节一定是127号之后的内码，只要第一个字节是大于127就固定表示这是一个汉字的开始，不管后面跟的是不是扩展字
符集里的内容。结果扩展之后的编码方案被称为 GBK 标准，GBK包括了GB2312 的所有内容，同时又增加了近20000个新的汉字（包括繁体字）和符号。 后来少数民族也要用电脑了，于是我们再扩展，又加了几千个新的少数民族的字，GBK扩成了 GB18030。从此之后，中华民族的文化就可以在计算机时代中传承了。 中国的程序员们看到这一系列汉字编码的标准是好的，于是通称他们叫做 “DBCS“（Double Byte Charecter Set 双字节字符集）。在DBCS系列标准里，最大的特点是两字节长的汉字字符和一字节长的英文字符并存于同一套编码方案里，因此他们写的程序为了支持中文处理，必须要注意字串里的每一个字节的值，如果这个值是大于127的，那么就认为一个双字节字符集里的字符出现了。那时候凡是受过加持，会编程的计算机僧侣们都要每天念下面这个咒语数百遍： “一个汉字算两个英文字符！一个汉字算两个英文字符……”
因为当时各个国家都像中国这样搞出一套自己的编码标准，结果互相之间谁也不懂谁的编码，谁也不支持别人的编码，连大陆和台湾这样只相隔了150海里，使用着同一种语言的兄弟地区，也分别采用了不同的 DBCS 编码方案——当时的中国人想让电脑显示汉字，就必须装上一个”汉字系统”，专门用来处理汉字的显示、输入的问题，像是那个台湾的愚昧封建人士写的算命程序就必须加装另一套支持 BIG5 编码的什么”倚天汉字系统”才可以用，装错了字符系统，显示就会乱了套！这怎么办？而且世界民族之林中还有那些一时用不上电脑的穷苦人民，他们的文字又怎么办？ 真是计算机的巴比伦塔命题啊！
正在这时，大天使加百列及时出现了——一个叫 ISO（国际标谁化组织）的国际组织决定着手解决这个问题。他们采用的方法很简单：废了所有的地区性编码方案，重新搞一个包括了地球上所有文化、所有字母和符号 的编码！他们打算叫它”Universal Multiple-Octet Coded Character Set”，简称 UCS, 俗称 “unicode“。
unicode开始制订时，计算机的存储器容量极大地发展了，空间再也不成为问题了。于是 ISO
就直接规定必须用两个字节，也就是16位来统一表示所有的字符，对于ASCII里的那些“半角”字符，unicode包持其原编码不变，只是将其长度由原来的8位扩展为16位，而其他文化和语言的字符则全部重新统一编码。由于”半角”英文符号只需要用到低8位，所以其高8位永远是0，因此这种大气的方案在保存英文文本时会多浪费一倍的空间。
这时候，从旧社会里走过来的程序员开始发现一个奇怪的现象：他们的 strlen 函数靠不住了，一个汉字不再是相当于两个字符了，而是一个！是的，从unicode开始，无论是半角的英文字母，还是全角的汉字，它们都是统一的”一个字符“！同时，也都是统一的”两个字节“，请注意”字符”和”字节”两个术语的不同，“字节”是一个8位的物理存贮单元，而“字符”则是一个文化相关的符号。在unicode中，一个字符就是两个字节。一个汉字算两个英文字符的时代已经快过去了。
unicode同样也不完美，这里就有两个的问题，一个是，如何才能区别unicode和ascii？计算机怎么知道三个字节表示一个符号，而不是分别表示三个符号呢？第二个问题是，我们已经知道，英文字母只用一个字节表示就够了，如果unicode统一规定，每个符号用三个或四个字节表示，那么每个英文字母前都必然有二到三个字节是0，这对于存储空间来说是极大的浪费，文本文件的大小会因此大出二三倍，这是难以接受的。
unicode在很长一段时间内无法推广，直到互联网的出现，为解决unicode如何在网络上传输的问题，于是面向传输的众多 UTF（UCS Transfer Format）标准出现了，顾名思义，UTF-8就是每次8个位传输数据，而UTF-16就是每次16个位。UTF-8就是在互联网上使用最广的一种unicode的实现方式，这是为传输而设计的编码，并使编码无国界，这样就可以显示全世界上所有文化的字符了。UTF-8最大的一个特点，就是它是一种变长的编码方式。它可以使用1~4个字节表示一个符号，根据不同的符号而变化字节长度，当字符在ASCII码的范围时，就用一个字节表示，保留了ASCII字符一个字节的编码做为它的一部分，注意的是unicode一个中文字符占2个字节，而UTF-8一个中文字符占3个字节）。从unicode到utf-8并不是直接的对应，而是要过一些算法和规则来转换。
Unicode符号范围 | UTF-8编码方式
(十六进制) | （二进制）
—————————————————————–
0000 0000-0000 007F | 0xxxxxxx
0000 0080-0000 07FF | 110xxxxx 10xxxxxx
0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx
0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
最后简单总结一下：
- 中国人民通过对 ASCII 编码的中文扩充改造，产生了 GB2312 编码，可以表示6000多个常用汉字。
- 汉字实在是太多了，包括繁体和各种字符，于是产生了 GBK 编码，它包括了 GB2312 中的编码，同时扩充了很多。
- 中国是个多民族国家，各个民族几乎都有自己独立的语言系统，为了表示那些字符，继续把 GBK 编码扩充为 GB18030 编码。
- 每个国家都像中国一样，把自己的语言编码，于是出现了各种各样的编码，如果你不安装相应的编码，就无法解释相应编码想表达的内容。
- 终于，有个叫 ISO 的组织看不下去了。他们一起创造了一种编码 UNICODE ，这种编码非常大，大到可以容纳世界上任何一个文字和标志。所以只要电脑上有 UNICODE 这种编码系统，无论是全球哪种文字，只需要保存文件的时候，保存成 UNICODE 编码就可以被其他电脑正常解释。
- UNICODE 在网络传输中，出现了两个标准 UTF-8 和 UTF-16，分别每次传输 8个位和 16个位。于是就会有人产生疑问，UTF-8 既然能保存那么多文字、符号，为什么国内还有这么多使用 GBK 等编码的人？因为 UTF-8 等编码体积比较大，占电脑空间比较多，如果面向的使用人群绝大部分都是中国人，用 GBK 等编码也可以。
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
