汉字编码转换

一、利用iconv函数族进行编码转换
在LINUX上进行编码转换时,既可以利用iconv函数族编程实现,也可以利用iconv命令来实现,只不过后者是针对文件的,即将指定文件从一种编码转换为另一种编码。

iconv函数族的头文件是iconv.h,使用前需包含之。
#include
iconv函数族有三个函数,原型如下:
(1) iconv_t iconv_open(const char *tocode, const char *fromcode);
此函数说明将要进行哪两种编码的转换,tocode是目标编码,fromcode是原编码,该函数返回一个转换句柄,供以下两个函数使用。
(2) size_t iconv(iconv_t cd,char **inbuf,size_t *inbytesleft,char **outbuf,size_t *outbytesleft);
此函数从inbuf中读取字符,转换后输出到outbuf中,inbytesleft用以记录还未转换的字符数,outbytesleft用以记录输出缓冲的剩余空间。 (3) int iconv_close(iconv_t cd);
此函数用于关闭转换句柄,释放资源。
例子1: 用C语言实现的转换示例程序

/* f.c : 代码转换示例C程序 */
#include
#define OUTLEN 255
main()
{
char *in_utf8 = "姝ｅ?ㄥ??瑁?";
char *in_gb2312 = "正在安装";
char out[OUTLEN];

//unicode码转为gb2312码
rc = u2g(in_utf8,strlen(in_utf,out,OUTLEN);
printf("unicode-->gb2312 out=%sn",out);
//gb2312码转为unicode码
rc = g2u(in_gb2312,strlen(in_gb2312),out,OUTLEN);
printf("gb2312-->unicode out=%sn",out);
}
//代码转换:从一种编码转为另一种编码
int code_convert(char *from_charset,char *to_charset,char *inbuf,int inlen,char *outbuf,int outlen)
{
iconv_t cd;
int rc;
char **pin = &inbuf;
char **pout = &outbuf;

cd = iconv_open(to_charset,from_charset);
if (cd==0) return -1;
memset(outbuf,0,outlen);
if (iconv(cd,pin,&inlen,pout,&outlen)==-1) return -1;
iconv_close(cd);
return 0;
}
//UNICODE码转为GB2312码
int u2g(char *inbuf,int inlen,char *outbuf,int outlen)
{
return code_convert("utf-8","gb2312",inbuf,inlen,outbuf,outlen);
}
//GB2312码转为UNICODE码
int g2u(char *inbuf,size_t inlen,char *outbuf,size_t outlen)
{
return code_convert("gb2312","utf-8",inbuf,inlen,outbuf,outlen);
}

例子2: 用C++语言实现的转换示例程序

/* f.cpp : 代码转换示例C++程序 */
#include
#include

#define OUTLEN 255

using namespace std;

// 代码转换操作类
class CodeConverter {
private:
iconv_t cd;
public:
// 构造
CodeConverter(const char *from_charset,const char *to_charset) {
cd = iconv_open(to_charset,from_charset);
}

// 析构
~CodeConverter() {
iconv_close(cd);
}

// 转换输出
int convert(char *inbuf,int inlen,char *outbuf,int outlen) {
char **pin = &inbuf;
char **pout = &outbuf;

memset(outbuf,0,outlen);
return iconv(cd,pin,(size_t *)&inlen,pout,(size_t *)&outlen);
}
};

int main(int argc, char **argv)
{
char *in_utf8 = "姝ｅ?ㄥ??瑁?";
char *in_gb2312 = "正在安装";
char out[OUTLEN];

// utf-8-->gb2312
CodeConverter cc = CodeConverter("utf-8","gb2312";
cc.convert(in_utf8,strlen(in_utf,out,OUTLEN);
cout << "utf-8-->gb2312 in=" << in_utf8 << ",out=" << out << endl;

// gb2312-->utf-8
CodeConverter cc2 = CodeConverter("gb2312","utf-8";
cc2.convert(in_gb2312,strlen(in_gb2312),out,OUTLEN);
cout << "gb2312-->utf-8 in=" << in_gb2312 << ",out=" << out << endl;
}

二、利用iconv命令进行编码转换
在LINUX上进行编码转换时,既可以利用iconv函数族编程实现,也可以利用iconv命令来实现,只不过后者是针对文件的,即将指定文件从一种编码转换为另一种编码。

iconv命令用于转换指定文件的编码,默认输出到标准输出设备,亦可指定输出文件。

用法： iconv [选项...] [文件...]

有如下选项可用:

输入/输出格式规范：
-f, --from-code=名称 原始文本编码
-t, --to-code=名称 输出编码

信息：
-l, --list 列举所有已知的字符集

输出控制：
-c 从输出中忽略无效的字符
-o, --output=FILE 输出文件
-s, --silent 关闭警告
--verbose 打印进度信息

-?, --help 给出该系统求助列表
--usage 给出简要的用法信息
-V, --version 打印程序版本号

例子:
iconv -f utf-8 -t gb2312 aaa.txt >bbb.txt
这个命令读取aaa.txt文件，从utf-8编码转换为gb2312编码,其输出定向到bbb.txt文件。

小结: LINUX为我们提供了强大的编码转换工具,给我们带来了方便。

glibc带了一套转码函数iconv，使用方便，可识别的码很多，如果程序需要涉及到编码之间的转换，可考虑用它。

iconv命令的用法。


$ iconv --list # 显示可识别的编码名称
$ iconv -f GB2312 -t UTF-8 a.html > b.html # 转换GB2312编码的文件a.html为UTF-8编码，存入b.html
$ iconv -f GB2312 -t BIG5 a.html > b.html # 转换GB2312编码的文件a.html为BIG5编码，存入b.html
iconv编程涉及到以下glibc库的调用：

#include

iconv_t iconv_open(const char *tocode, const char *fromcode);
int iconv_close(iconv_t cd);

size_t iconv(iconv_t cd,
char **inbuf, size_t *inbytesleft,
char **outbuf, size_t *outbytesleft);


在使用iconv转码的时候，首先用iconv_open获取转码句柄，然后调用iconv转码，转完了后调用iconv_close关闭句柄。

iconv函数中：

参数cd是用iconv_open调用返回的转码句柄；
参数inbuf指向需要转码的缓冲区；
参数inbytesleft是inbuf所保存的需要转码的字节数；
参数outbuf存放转码结果；
参数outbytesleft存放outbuf空间的大小。

如果调用成功，iconv返回转换的字节数（不可逆转调用的字节数，可逆转调用的字节数不包括在内）。否则返回-1，并设置相应的errno。
iconv逐步扫描inbuf，每转换一个字符，就增加inbuf，减少inbytesleft，并将结果存入outbuf，结果字节数存入 outbytesleft。遇到下列情况将停止扫描并返回：

1. 多字节序列无效，这时候errno为EILSEQ，*inbuf指向第一个无效的字符；
2. 有字节留在inbuf尚未转换，errno为EINVAL;
3. outbuf空间不够，errno为E2BIG；
4. 正常转换完备。

对于iconv函数，还有两种调用情况：

1. inbuf或者*inbuf为NULL，outbuf和*outbuf不为NULL，iconv会设置转换状态为初始状态，并保存转换序列到*outbuf。如果outbuf空间不足，errno会设置为E2BIG，返回(size_t)(-1)；
2. inbuf或者*inbuf为NULL，outbuf或者*outbuf也为NULL，iconv设置转换状态为初始状态。

iconv命令的使用固然方便，可是如果转换过程中如果遇到问题则会停止转换，有时候我们希望跳过不能转换的字节序列继续转换。以下的一段程序能实现这种功能。

/**
* siconv.cpp - A simple way to demostrate the usage of iconv calling
*
* Report bugs to
* July 15th, 2006
*/
#include
#include
#include
#include
#include
#include
#include
#include
#include


#ifdef DEBUG
#define TRACE(fmt, args...) fprintf(stderr, "%s:%s:%d:"fmt, \
__FILE__, __FUNCTION__, __LINE__, ##args)
#else
#define TRACE(fmt, args...)
#endif

#define CONVBUF_SIZE 32767

extern int errno;

void print_err(const char *fmt, ...)
{
va_list ap;

va_start(ap, fmt);
vfprintf(stderr, fmt, ap);
va_end(ap);
}

int print_out(const char* buf, size_t num)
{
if (num != fwrite(buf, 1, num, stdout)) {
   return -1;
}

return 0;
}

void print_usage() {

print_err("Usage: siconv -f encoding -t encoding [-c] "
   "input-file\n";
}

int iconv_string(const char *from, const char *to,
     const char *src, size_t len,
     ::std::string& result,
     int c = 0, size_t buf_size = 512)
{
iconv_t cd;

char *pinbuf = const_cast< char* >(src);
size_t inbytesleft = len;
char *poutbuf = NULL;
size_t outbytesleft = buf_size;

char *dst = NULL;
size_t retbytes = 0;
int done = 0;
int errno_save = 0;

if ((iconv_t)-1 == (cd = iconv_open(to, from))) {
   return -1;
}

dst = new char[buf_size];

while(inbytesleft > 0 && !done) {
   poutbuf = dst;
   outbytesleft = buf_size;

   TRACE("TARGET - in:%p pin:%p left:%d\n", src, pinbuf, inbytesleft);
   retbytes = iconv(cd, &pinbuf, &inbytesleft, &poutbuf, &outbytesleft);
   errno_save = errno;

   if (dst != poutbuf) {// we have something to write
    TRACE("OK - in:%p pin:%p left:%d done:%d buf:%d\n",
     src, pinbuf, inbytesleft, pinbuf-src, poutbuf-dst);
    result.append(dst, poutbuf-dst);
   }

   if (retbytes != (size_t)-1) {
    poutbuf = dst;
    outbytesleft = buf_size;
    (void)iconv(cd, NULL, NULL, &poutbuf, &outbytesleft);
  
    if (dst != poutbuf) {// we have something to write
      TRACE("OK - in:%p pin:%p left:%d done:%d buf:%d\n",
      src, pinbuf, inbytesleft, pinbuf-src, poutbuf-dst);
     result.append(dst, poutbuf-dst);
    }
  
    errno_save = 0;
    break;
   }


   TRACE("FAIL - in:%p pin:%p left:%d done:%d buf:%d\n",
    src, pinbuf, inbytesleft, pinbuf-src, poutbuf-dst);

   switch(errno_save) {
   case E2BIG:
    TRACE("E E2BIG\n";
    break;
   case EILSEQ:
    TRACE("E EILSEQ\n";
    if (c) {
     errno_save = 0;
     inbytesleft = len-(pinbuf-src); // forward one illegal byte
     inbytesleft--;
     pinbuf++;
     break;
    }
  
    done = 1;
    break;
   case EINVAL:
    TRACE("E EINVAL\n";
    done = 1;
    break;
   default:
    TRACE("E Unknown:[%d]%s\n", errno, strerror(errno));
    done = 1;
    break;
   }

}

delete[] dst;
iconv_close(cd);

errno = errno_save;
return (errno_save) ? -1 : 0;
}

int conv_file_fd(const char* from, const char *to, int fd,
     ::std::string& result, int c)
{
struct stat st;
void *start;

if (0 != fstat(fd, &st)) {
   return -1;
}

start = mmap(NULL, st.st_size, PROT_READ, MAP_SHARED, fd, 0);

if (MAP_FAILED == start) {
   return -1;
}

if (iconv_string(from, to, (char*)start,
   st.st_size, result, c, CONVBUF_SIZE) < 0) {
   int errno_save = errno;
   munmap(start, st.st_size);
   TRACE("\n";
   errno = errno_save;
   return -1;
}

munmap(start, st.st_size);
return 0;
}

int conv_file(const char* from, const char* to,
     const char* filename, int c)
{
::std::string result;
FILE *fp;

if (NULL == (fp=fopen(filename, "rb")) {
   print_err("open file %s:[%d]%s\n", filename,
    errno, strerror(errno));
   return -1;
}

if (conv_file_fd(from, to, fileno(fp), result, c) < 0) {
   print_err("conv file fd:[%d]%s\n", errno, strerror(errno));
   fclose(fp);
   return -1;
}

print_out(result.data(), result.size());
fclose(fp);
return 0;
}

int main(int argc, char *argv[])
{
#ifdef TESTCASE
::std::string strA = "欢迎(welcome ^_^)来到(to)首都北京。";
::std::string strB = "大喊一声：We are chinese <=> 我们都是中国人。";

::std::string strC = strA.substr(0, 20) + strB.substr(0, 41);
::std::string result;
if (iconv_string("GBK", "UTF-8", strC.data(), strC.size(), result,


1) < 0)
{
   TRACE("ERROR [%d]%s\n", errno, strerror(errno));
}

TRACE("CONVERSION RESULT:";
result.append("\n";
print_out(result.data(), result.size());

return 0;
#else
::std::string from, to;
::std::string input_file;
int o;
int c = 0;

while (-1 != (c = getopt(argc, argv, "f:t:c")))
{
   switch(c) {
   case 'f':
    from = optarg;
    break;
   case 't':
    to = optarg;
    break;
   case 'c':
    c = 1;
    break;
   default:
    return -1;
   }
}

if (from.empty() || to.empty() || optind != (argc-1))
{
   print_usage();
   return -1;
}

input_file = argv[optind++];

return conv_file(from.c_str(), to.c_str(),
   input_file.c_str(), c);
#endif
}

可以用内存映像文件解决文件太大内存缓冲不够的情况。相对于iconv命令，加-c选项，以忽略转换过程中可能引发的问题。


$ g++ -o siconv siconv.cpp
如果在命令行加了-DDEBUG选项，会编译进调试语句，如果加了-DTESTCASE选项，则仅会编译对iconv_string函数测试的情况。