常用编码详解

一起学习

常用编码详解


作者：李静南

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。

下载本文示例代码


常用编码详解常用编码详解常用编码详解常用编码详解常用编码详解常用编码详解常用编码详解常用编码详解常用编码详解常用编码详解常用编码详解常用编码详解