UTF-8与UNICODE的关系及代码转换

http://blog.csdn.net/zonelive/article/details/544693

今天在用fontforge改字体，因为UTF-8与UNICODE的关系，专门
找了篇文章看，还写了几行代码验证自己的理解，并作为以后
修改字体的工具，我把它命名为UTF82UNICODE及由UTF-8编码转
换成UNICODE的意思，终于把UTF-8与UNICODE的关系基本搞清楚
了，是为文，见后。

所谓“utf-8”只是UCS Transformation Format，只是UNICODE
的一种表现形式，不等同于UNICODE，一般汉字在UNICODE中为
两个（双）字节表示，而我们看到实际保存的文档确是三个字
节表示一个汉字的，看看下表：
U-00000000 - U-0000007F: 0xxxxxxx
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
UTF-8是一种变长度的表达方式，一般UNICODE为双字节（指UCS2）
但为了与以前的ASCII码兼容，ASCII为一个字节，于是就想出
了这种方法，在ASCII码的范围用一个字节表示，超出ASCII码
的范围就用多字节表示，这就形成了我们上面看到的UTF-8的表
示方法，这样的好处是当UNICODE文档中只有ASCII码时，保存
的文档都为一个字节，所以就是普通的ASCII文档无异，读入的
时候也是如此，所以能与以前的ASCII文档兼容。至于大于ASCII码的，就会由上面的第一字节的前几位表示该
unicode字符的长度，比如110xxxxxx前三位的二进制表示告诉
我们这是个2BYTE的UNICODE字符；1110xxxx是个三位的UNICODE
字符，依此类推，而首字节后面的字节都是以10开头，见上面
这是为了与ASCII码开头的0区分告诉我们这是个多字节UTF-8
编码的后续位。看上面的编码，我们将上面的x部分重新连起来
组成的数值就是实际的UNICODE码值了（排除10组成的标志位）。
下面是个我写的从UTF-8转换到UNICODE真实值的程序，
编译方法：
gcc utf82unicode.cpp -o utf82unicode -lstdc++
使用方法：
比如一个汉字‘新’字，它的UTF-8编码为：E696B0，为了知道
他的实际UNICODE编码，执行如下程序，
./utf82unicode E696B0
unicode: 65B0
上面程序的输出结果告诉我们UTF8：E696B0 对应UNICODE：65B0。

附录：CPP程序utf82unicode.cpp

#include
#include

// UTF-8的unicode表示方法到unicode的值转换函数
bool utf82unicode(unsigned int byte[], int index, int count, int& unicode) {

/* for (int i=index; i < count; ++i) { printf("byte[%d]:%0Xn",i, byte[i]); } printf("byte[index] & 0x80: %0Xn", byte[index] & 0x80); printf("byte[index] & 0xE0: %0Xn", byte[index] & 0xE0); printf("byte[index] & 0xF0: %0Xn", byte[index] & 0xF0); */ if (index >= count) return false; if ( (byte[index] & 0x80) == 0x0) // 一位 { unicode = byte[index]; } else if ((byte[index] & 0xE0) == 0xC0) // 两位 { if (index + 1 >= count ) return false; unicode = (((int)(byte[index] & 0x1F)) << 6) | (byte[ index + 1] & 0x3F); } else if ((byte[index] & 0xF0) == 0xE0) // 三位 { if (index + 2 >= count) return false; unicode = (((int)(byte[index] & 0x0F)) << 12) | (((int)(byte[index + 1] & 0x3F)) << 6) | (byte[index + 2] & 0x3F); } else if ((byte[index] & 0xF8) == 0xF0) // 四位 { if (index + 3 >= count) return false; unicode = (((int)(byte[index] & 0x07)) << 18) | (((int)(byte[index + 1] & 0x3F)) << 12) | (((int)(byte[index + 2] & 0x3F)) << 6) | (byte[index + 3] & 0x3F); } else if ((byte[index] & 0xFC) == 0xF8) // 五位 { if (index + 4 >= count) return false; unicode = (((int)(byte[index] & 0x03)) << 24) | (((int)(byte[index + 1] & 0x3F)) << 18) | (((int)(byte[index + 2] & 0x3F)) << 12) | (((int)(byte[index + 3] & 0x3F)) << 6) | (byte[index + 4] & 0x3F); } else if ((byte[index] & 0xFE) == 0xFC) // 六位 { if (index + 5 >= count) return false; unicode = (((int)(byte[index] & 0x01)) << 30) | (((int)(byte[index + 1] & 0x3F)) << 24) | (((int)(byte[index + 2] & 0x3F)) << 18) | (((int)(byte[index + 3] & 0x3F)) << 12) | (((int)(byte[index + 4] & 0x3F)) << 6) | (byte[index + 5] & 0x3F); } else { return false; } return true;

}

bool char2digist(char in, char&out)
{

if ('0' <= in && in <= '9') out = in - '0' + 0x0; else if ('A' <= in && in <= 'F') out = in - 'A' + 0xA; else if ('a' <= in && in <= 'f') out = in - 'a' + 0xa; else return false; return true;

}

bool widechar2hexbyte(char* ch, int index, int count, unsigned int& byte) {

char h, l; if (index + 1 < count) { if (char2digist(ch[index], h) && char2digist(ch[index + 1], l)) { byte = ((unsigned int)(h << 4)) | l; return true; } } else { if (char2digist(ch[index], l)) { byte = l; return true; } } return false;

}

int main(int argc, char* argv[])
{

int bi, i, len, unicode; char* hex; unsigned int bytes[10]; if (argc < 2) { printf("usage: utf82unicode [hex string]n"); return 1; } bi = 0, len = strlen(argv[1]); // printf("argv[1]:%s,len:%dn", argv[1], len); for (int i = 0; i < len && bi < 10; ++ i) { if (!widechar2hexbyte(argv[1], i++, len, bytes[bi++])) return 1; } unicode = 0; if (utf82unicode(bytes, 0, bi, unicode)) { printf("unicode: %0Xn", unicode); return 0; } return 1; }