Chinaunix首页 | 论坛 | 博客
  • 博客访问: 344758
  • 博文数量: 82
  • 博客积分: 2602
  • 博客等级: 少校
  • 技术积分: 660
  • 用 户 组: 普通用户
  • 注册时间: 2007-08-10 08:48
文章分类

全部博文(82)

文章存档

2008年(17)

2007年(65)

分类:

2007-12-21 10:47:07

 



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%E8%8B%B1%E6%96%87%E6%89%8B%E5%86%8C.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(1622) | 评论(0) | 转发(0) |
给主人留下些什么吧!~~