Chinaunix首页 | 论坛 | 博客
  • 博客访问: 9427668
  • 博文数量: 1227
  • 博客积分: 10026
  • 博客等级: 上将
  • 技术积分: 20273
  • 用 户 组: 普通用户
  • 注册时间: 2008-01-16 12:40
文章分类

全部博文(1227)

文章存档

2010年(1)

2008年(1226)

我的朋友

分类: C/C++

2008-04-23 22:07:11

常用编码详解


作者:



摘要:本文在对各种资料整理后详细介绍各种常见编码的转换算法。

一、通用字符集(UCS)

ISO/IEC 10646-1 [ISO-10646]定义了一种多于8比特字节的字符集,称作通用字符集(UCS),它包含了世界上大多数可书写的字符系统。 已定义了两种多8比特字节编码,对每一个字符采用四个8比特字节编码的称为UCS-4,对每一个字符采用两个8比特字节编码的称为UCS-2。 它们仅能够对UCS的前64K字符进行编址,超出此范围的其它部分当前还没有分配编址。

二、基本多语言面(BMP)

ISO 10646 定义了一个31位的字符集。 然而,在这巨大的编码空间中,迄今为止只分配了前65534个码位 (0x0000 到 0xFFFD)。 这个UCS的16位子集称为 “基本多语言面 ”(Basic Multilingual Plane, BMP)。

三、Unicode编码

历史上, 有两个独立的, 创立单一字符集的尝试。 一个是国际标准化组织(ISO)的 ISO 10646 项目; 另一个是由(一开始大多是美国的)多语言软件制造商组成的协会组织的 Unicode 项目。幸运的是, 1991年前后, 两个项目的参与者都认识到: 世界不需要两个不同的单一字符集。它们合并双方的工作成果,并为创立一个单一编码表而协同工作。 两个项目仍都存在并独立地公布各自的标准, 但 Unicode 协会和 ISO/IEC JTC1/SC2 都同意保持 Unicode 和 ISO 10646 标准的码表兼容, 并紧密地共同调整任何未来的扩展。Unicode 标准额外定义了许多与字符有关的语义符号学, 一般而言是对于实现高质量的印刷出版系统的更好的参考。

四、UTF-8编码

UCS-2和UCS-4编码很难在许多当前的应用和协议中使用,这些应用和协议假定字符为一个8或7比特的字节。 即使新的可以处理16比特字符的系统,却不能处理UCS-4数据。这种情况导致一种称为UCS转换格式(UTF)的发展,它每一种有不同的特征。 UTF-8(RFC 2279),使用了8比特字节的所有位,保持全部US-ASCII取值范围的性质:US-ASCII字符用一个8比特字节编码,采用通常的US-ASCII值, 因此,在此值下的任何一个8比特位字节仅仅代表一个US-ASCII字符,而不会为其他字符。它有如下的特性:

1)UTF-8向UCS-4,UCS-2两者中任一个进行相互转换比较容易。
2)多8比特字节序列的第一个8比特字节指明了系列中8比特字节的数目。
3)8比特字节值FE和FF永远不会出现。
4)在8比特字符流中字符边界从哪里开始较容易发现。

UTF-8定义:
在UTF-8中,字符采用1到6个8比特字节的序列进行编码。仅仅一个8比特字节的一个序列中,字节的高位为0,其他的7位用于字符值编码。n(n>1)个8比特字节的一个序列中,初始的8比特字节中高n位为1,接着一位为0,此字节余下的位包含被编码字符值的位。接着的所有8比特字节的最高位为1,接着下一位为0,余下每个字节6位包含被编码字符的位。

下表总结了这些不同的8比特字节类型格式。字母x指出此位来自于进行编码的UCS-4字符值。


   UCS-4范围(16进制)     UTF-8 系列(二进制)

   0000 0000<->0000 007F   0xxxxxxx

   0000 0080<->0000 07FF   110xxxxx 10xxxxxx

   0000 0800<->0000 FFFF   1110xxxx 10xxxxxx 10xxxxxx



   0001 0000<->001F FFFF   11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

   0020 0000<->03FF FFFF   111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

   0400 0000<->7FFF FFFF   1111110x 10xxxxxx ... 10xxxxxx


从UCS-4 到 UTF-8编码规则如下:
1)从字符值和上表第一列中决定需要的8比特字节数目。着重指出的是上表中的行是相互排斥的,也就是说,对于一个给定的UCS-4字符,仅仅有一个有效的编码。
2)按照上表中第二列每行那样准备8比特字节的高位。
3)将UCS字符值的位,从低位起填充在标记为x地方。从UTF8序列中最后一个字节填起,然后剩下的字符值依次放到前一个字节中,如此重复,直到所有标记位x的位都进行了填充。

这里我们仅仅实现Unicode到UTF8的转换,Unicode都是两个字节,定义为:

typedef usigned short WCHAR



// 输出的UTF8编码至多是3个字节。



int UnicodeToUTF8(WCHAR ucs2, unsigned char *buffer)

{

    memset(buffer, 0, 4);

    if ((0x0000 <= ucs2) && (ucs2 <= 0x007f))  // one char of UTF8

    {

       buffer[0] = (char)ucs2;

       return 1;

    }

    if ((0x0080 <= ucs2) && (ucs2 <= 0x07ff))  // two char of UTF8

    {

       buffer[1] = 0x80 | char(ucs2 & 0x003f);

       buffer[0] = 0xc0 | char((ucs2 >> 6) & 0x001f);

       return 2;

    }

    if ((0x0800 <= ucs2) && (ucs2 <= 0xffff))  // three char of UTF8

    {

       buffer[2] = 0x80 | char(ucs2 & 0x003f);

       buffer[1] = 0x80 | char((ucs2 >> 6) & 0x003f);

       buffer[0] = 0xe0 | char((ucs2 >> 12) & 0x001f);

       return 3;

    }

    return 0;

}  


理论上,简单的通过用2个0值的8比特字节来扩展每个UCS-2字符,则从UCS-2到UTF-8编码的算法可以从上面得到。然而,从D800到DFFF间的UCS-2值对(用Unicode说法是代理对),实际上是通过UTF-16来进行UCS-4字符转换,因此需要特别对待:UTF-16转换必须未完成,先转换到于UCS-4字符,然后按照上面过程进行转换。

从UTF-8到UCS-4解码过程如下:
1)初始化UCS-4字符4个8比特字节的所有位为0。
2)根据序列中8比特字节数和上表中第二列(标记为x位)来决定哪些位编码用于字符值。
3)从编码序列分配位到UCS-4字符。首先从序列最后一个8比特字节的最低位开始,接着向左进行,直到所有标记为x的位完成。如果UTF-8序列长度不大于3个8比特字节,解码过程可以直接赋予UCS-2。


WCHAR UTF8ToUnicode(unsigned char *buffer)

{

    WCHAR temp = 0;

    if (buffer[0] < 0x80)                                   // one char of UTF8

    { 

       temp = buffer[0];

    }

    if ((0xc0 <= buffer[0]) && (buffer[0] < 0xe0))          // two char of UTF8

    {

       temp = buffer[0] & 0x1f;

       temp = temp << 6;

       temp = temp | (buffer[1] & 0x3f);

    }

    if ((0xe0 <= buffer[0]) && (buffer[0] < 0xf0))          // three char of UTF8

    {

       temp = buffer[0] & 0x0f;

       temp = temp << 6;

       temp = temp | (buffer[1] & 0x3f);

       temp = temp << 6;

       temp = temp | (buffer[2] & 0x3f);

    }

    if ((0x80 <= buffer[0]) && (buffer[0] < 0xc0))          // not the first byte of UTF8 character

       return 0xfeff;                                       // 0xfeff will never appear in usual



    return temp;                                            // more than 3-bytes return 0

}


注意:上面解码算法的实际实现应该进行安全保护,以便处理解码无效的系列。例如:实现可能(错误)解码无效的UTF-8系列0xC0 0x80为字符U 0000,它可能导致安全问题或其他问题(比如把0当作数组结束标志)。更详细的算法和公式可以在[FSS_UTF],[UNICODE] 或[ISO-10646]附录R中找到。

五、UTF-7编码

UTF-7:A Mail-Safe Transformation Format of Unicode(RFC1642)。这是一种使用 7 位 ASCII 码对 Unicode 码进行转换的编码。它的设计目的仍然是为了在只能传递 7 为编码的邮件网关中传递信息。 UTF-7 对英语字母、数字和常见符号直接显示,而对其他符号用修正的 Base64 编码。符号 和 - 号控制编码过程的开始和暂停。所以乱码中如果夹有英文单词,并且相伴有 号和 - 号,这就有可能是 UTF-7 编码。

协议中定义的转换规则:
1)集合D中的Unicode字符可以直接的编码为ASCII的等值字节。集合O中的字符可以有有选择的的直接编码为ASCII的等值字节,但要记得其中的很多的字符在报头字段是不合法的,或者不能正确的穿过邮件网关。
2)通过在前面加上转换字符" ",任何一个Unicode序列都可以使用集合B(更改过的base64)中的字符编码。" "意味着后面的字节将被作为更改过的BASE64字母表中的元素解析,直到遇到一个不是字母表中的字符为止。这些字符中会包含控制字符,比如回车和换行;因此,一个Unicode转换序列总是在一行上结束。注释:有两个特殊的情形:" -"表示'' ''," …… --"表示有一个真正的''-''字符出现了。多数情况是没有''-''标记结束。
3)空格、tab、回车和换行字符可以直接使用ASCII等价字节表示。

那么我们就可以定义算法了,我们先定义字符集的相关数组:

typedef unsigned char byte



// 64 characters for base64 coding

byte base64Chars[] = "ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz0123456789 /";  



// 8 characters are safe just as base64 characters for MAIL gates

byte safeChars[] = "''(),-.:?";    



// 4 characters all means space

byte spaceChars[] = " \t\n\r";    




注:在编码处理时候,我们需要对一个字节判断属于哪类字符,以便确定处理规则,如果简单的使用范围比较的方式,效率很低,我们采用哈希表的思路:建立一个256长的数组,那么对于每一个字节的值,就可以定义一个类型。判断时候,对每个字符都直接取数组的值。


// mask value defined for indentify the type of a byte

#define	BASE64		0x01

#define	SAFE		0x02

#define	SPACE		0x04

byte byteType[256];        // hash table used for find the type of a byte

bool firstTime = true;     // the first time to use the lib, wait for init the table



// 注:为了解码base64编码部分的字符,需要一个哈希表,对一个base64字符都可以直接得到0-64之间的一个数:

byte base64Value[128];



这两个哈希表在使用前要初始化:



void initUTF7Tables()

{

    byte *s;

    if(!firstTime)

	return;

    // not necessary, but should do it to be robust

    memset(byteType, 0, 256);

    memset(base64Value, 0, 128);

    

    for(s=base64Chars; *s!=''\0''; s  )

    {

       byteType[*s] |= BASE64;

       base64Value[*s] = s - base64Chars; // the offset, it is a 6bits value,0-64

    }

    

    for(s=safeChars; *s!=''\0''; s  )

       byteType[*s] |= SAFE;

       

    for(s=spaceChars; *s!=''\0''; s  )

       byteType[*s] |= SPACE; 



    firstTime = false;

}

UTF-7编码转换时候,是与当前字符是与状态有关的,也就是说:
1)正处于Base64编码状态中
2)正处于直接编码状态中
3)现在UTF-7的缓冲区里,当前的字符是转换开关" "

所以要定义相关的字段:


// the state of current character 

#define	IN_ASCII	0

#define	IN_BASE64	1

#define AFTER_PLUS	2

在使用规则2进行编码时候,需要使用base64的方法,也就需要2个全局的辅助变量:


int state;                 // state in which  we are working

int nbits;                 // number of bits in the bit buffer

unsigned long bitBuffer;   // used for base64 coding

把一个Unicode字符转化为一个UTF-7序列:返回写到缓冲区里的字节数目,函数影响了state,nbits,bitBuffer三个全局变量。这里先实现了一个简单的辅助函数,功能是把一个Unicode字符转变后写到提供的缓冲区中,返回写入的字节个数。在开始编码Unicode字符数组中第一个字符的时候,state,nbits,bitBuffer三个全局变量需要被初始化:


state = IN_ASCII;

nbits = 0;

bitBuffer = 0;



int UnicodeToUTF7(WCHAR ucs2, byte *buffer)

{

    byte *head = buffer;

    int index;    

    

    // is an ASCII and is a byte in char set defined

    if (((ucs2 & 0xff80) == 0)) && (byteType[(byte)u2] & (BASE64|SAFE|SPACE))) 

    {	

       byte temp = (byte)ucs2;

       

       if (state == IN_BASE64) // should switch out from base64 coding here

       {

          if (nbits > 0)       // if some bits in buffer, then output them

          {

             index = (bitBuffer << (6 - nbits)) & 0x3f;

             *s   = base64[index];

          }

          if ((byteType[temp] & BASE64) || (temp == ''-''))

             *s   = ''-'';

	  state = IN_ASCII;

       }

       *s   = temp;

       

       if (temp == '' '')

          *s   = ''-'';

    }

    else

    {

       if (state == IN_ASCII) 

       {

          *s   = '' '';

          state = IN_BASE64;          // begins base64 coding here

          nbits = 0;

          bitBuffer = 0;

       }

       bitBuffer <<= 16;

       bitBuffer |= ucs2;

       nbits  = 16;

       

       while(nbits >= 6) 

       {

          nbits -= 6;

          index = (bitBuffer >> nbits) & 0x3f;   // output the high 6 bits

          *s   = base64[index];

       }

    }

    return (s - head);

}


说明:对于合法的Unicode字符数组,可以通过逐个输入数组中的字符,连续调用上面的函数,得到一个UTF-7字节序列。需要说明的是:最后一个Unicode字符应该是上面三个字节数组中某个字符的等值。

下面,我们实现一个简单的说明函数,功能是:输入一个UTF-7字节,可能得到并返回一个合法Unicode字符;也可能不能得到,比如遇到'' ''或者因为还没有完成一个字符的拼装,这时返回一个标志字符0xfeff,这个字符常用来标志Unicode编码。

注:函数影响了state,nbits,bitBuffer三个全局变量。在开始处理第一个字节时候,变量需要被初始化为:


state = IN_ASCII;

nbits = 0;

bitBuffer = 0;



#define RET0 0xfeff



WCHAR UTF7ToUnicode(byte c)

{

    if(state == IN_ASCII) 

    {

       if (c == '' '') 

       {

          state = AFTER_PLUS;

          return RET0;

       } 

       else 

        return (WCHAR)c;

    }

    if (state == AFTER_PLUS) 

    {

       if (c == ''-'') 

       {

          return (WCHAR)'' '';

       } 

       else 

       {

          state = IN_BASE64;

          nbits = 0;

          bitBuffer = 0;  // it is not necessary

          // don''t return yet, continue to the IN_BASE64 mode

       }

     }

     

    // state == Base64 

    if (byteType[c] & BASE64) 

    {

       bitBuffer <<= 6;

       bitBuffer |= base64Value[c];

       nbits  = 6;

       if (nbits >= 16) 

       {

          nbits -= 16;

	  return (WCHAR)((bitBuffer >> nbits) & 0x0000ffff);

       }

       return RET0;

    }

    // encount a byte which is not in base64 character set, switch out of base64 coding

    state = IN_ASCII;

    if (c != ''-'') 

    {

       return (WCHAR)c;

    }

    return RET0;

}

说明:对于一个UTF-7序列,可以通过连续输入字节并调用上面的函数,判断返回值,得到一个Unicode字符数组。

六、GB2312编码中汉字的确定

最早,表示汉字的区位码中,分为94个区,每个区94个汉字,1-15区是西文字符,图形等,16-5为一级汉字,56-87为二级汉字,87区以上为新字用。而我们在Windows默认的编码,GB2312(1981年国家颁布的《信息交换用汉字编码字符集基本集》)国标码,和区位码的换算为:

国标码 = 区位码 2020H

而在汉字在计算机内表示的时候为保证ASCII码和汉字编码的不混淆,又做了一个换算:

汉字机内码 = 国标码 8080H

所以,真正的在Windows上的GB2312汉字编码是机内码,从上边的两个公式可以得到的就是:

汉字机内码 = 区位码 a0a0H

一个汉字的编码最少要a0a0H,因此我们在CString中辨别汉字的时候可以认为:当一个字符的编码大于a0的时候它应该是汉字的一个部分。但是也有特殊的情况的,不是每个汉字的两个字节编码都是大于a0H的,例如‘镕’的编码是 ‘E946’,后面的部分就不满足大于a0H的条件。

七、Windows下多字节编码和Unicode的转换

Windows提供了API函数,可以把Unicode字符数组转换为GB2312字符串。其中,Unicode数组在传入时候最后一个为0,也就是所谓的null termidated字符串。在函数内部得到要返回字节串的大小,请求空间,进行真正的转换操作,指针在外部使用后释放,或者在类中加如其他的操作来处理,比如析构函数中释放。返回值为写到字节串里数目。


	

int StringEncode::UnicodeToGB2312(char **dest, const WCHAR *src)

{

	char* buffer;

	int size = ::WideCharToMultiByte(CP_ACP, 0, src, -1, NULL, 0, NULL, NULL);  

	// null termidated wchar''s buffer

	buffer = new char[size];

	int ret = ::WideCharToMultiByte(CP_ACP, NULL, src, -1, buffer, size   1, NULL, NULL);



	if (*dest != 0)

		delete *dest;

	*dest = buffer;



	return ret;

}


注:其中见到有人在使用的时候,申请缓冲区空间时候是申请了(zise 1)个来,最后一个字节写''\0'',结束字符串。但是在我调试时候发现:系统给的size已经包含了一个写入''\0''的字节,而且最后得到的串中,''\0''是已经被系统API写入了。(也许我的实验有错误,有待验证)。把Unicode字符数组转换为UTF-8和UTF-7的方法类似,只要是WideCharToMultiByte函数的第一个表示代码页参数改为CP_UTF7(65000)和CP_UTF8(65001)。

同样道理,把多字节转换为Unicode字符数组,也有相应的函数。和上面的函数类似,可以通过先提供一个空缓冲区而先得到需要的大小,然后开辟空间得到最后的字符数组。但是考虑到效率,可以适当牺牲一些空间,提供一个足够大的字符数组,数组大小在极端的情况下(全是ASCII)是和字节数组大小一样的。


int StringEncode::Gb2312ToUnicode(WCHAR **dest, const char *src)

{

	int length = strlen(src);                // null terminated buffer

	WCHAR *buffer = new WCHAR[length   1];   // WCHAR means unsinged short, 2 bytes

                                           // provide enough buffer size for Unicodes



	int ret = ::MultiByteToWideChar(CP_ACP, MB_PRECOMPOSED, src, length, buffer, length);

	buffer[ret] = 0;



	if (*dest != 0)

		delete *dest;

	*dest = buffer;



	return ret;

}


注:删除以前的缓冲区时候的操作,其实没有必要判断是不是为空,因为删除空指针是没有问题的,因为delete内部提供了这样的机制。

八、URL 解码

用IE发送GET请求的时候,URL是用UTF-8编码的,当对截包数据分析时候就需要对数据解码,下面的函数是一个简单的实现:


CString CTestUrlDlg::UrlToString(CString url)

{

	CString  str = "";

	int n = url.GetLength();

	url.MakeLower();

	BYTE a, b1, b2;

	for (int i=0; i= ''0'') && (c <= ''9''))

		d = c - ''0'';

	else if ((c >= ''a'') && (c <= ''f''))

	{

		d = c - ''a''   10;

	}

	else if ((c >= ''A'') && (c <= ''F''))

	{

		d = c - ''A''   10;

	}

	else

		d = 0;



	return d;	

}





static void UnicodeToGB2312(const WCHAR unicode, char* buffer)

{

//	int size = ::WideCharToMultiByte(CP_ACP, 0, unicode, -1, NULL, 0, NULL, NULL);  



	int ret = ::WideCharToMultiByte(CP_ACP, NULL, &unicode, -1, buffer, 3, NULL, NULL);

}



CString CTestUrlDlg::Uft8ToGB(CString url)

{

	CString  str = "";

	char buffer[3];

	WCHAR unicode;

	

	unsigned char * p = (unsigned char *)(LPCTSTR)url;

	int n = url.GetLength();

	int t = 0;

	while (t < n)

	{

		unicode = UTF8ToUnicode(p, t);

		UnicodeToGB2312(unicode, buffer);

		buffer[2] = 0;

		str  = buffer;

	}



	return str;

}




示例:

CString str = "/MFC鑻辨枃鎵嬪唽.chm";

CString ret = UrlToString(str);

ret = Uft8ToGB(ret);   // MFC英文手册.chm


九、总结
常见算法还有MIME等,由于篇幅限制,并且网上已经有很多帖子,在此不再赘述。
对于本文,由于个人能力有限,难免有疏漏的地方,还望指教,共同进步。

阅读(620) | 评论(0) | 转发(0) |
给主人留下些什么吧!~~