C语言UTF8转UCS-2

1.什么是UCS和ISO10646？

　　国际标准ISO10646定义了通用字符集(Universal Character Set, UCS). UCS是所有其它字符集标准的一个超集，它保证也其它字符集双向兼容，即编码间相互转换不会丢失任何信息。UCS字符集U+0000到U+007F与 US-ASCII是一致的。

　　

2.什么是UNICODE

　　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.

　　

3.什么是UTF-8(一种传送和存储格式)

　　UCS和UNICODE为每个字符分配了一个对应的整数，但并没有明确说明其实现机制.故存在多种编码方式,其中以两个字节和四个字节来存储一个字符的方法分别叫UCS-2, UCS-4,要将一个ASCII文件转换成一个UCS-2文件只要在每个字节前加一个字节0X00,转换成UCS-4只要在每个字节前加三个0X00。

　　而Internet上大量的信息是以ASCII码存在的，如果都用两个字节来存储将浪费大量的资源,同时Unix和Linux下使用USC-2和USC-4会导致严重问题，于是出现了UTF-8(定义于ISO10646-1).

　　UTF-8(UTF-8 stands for Unicode Transformation Format-8. It is an octet (8-bit) lossless encoding of Unicode characters.)

　　UNICODE(UCS)和UTF-8的对应关系。

　　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

　　在多字节串中，第一个字节的开头‘1’的数目就是整个串中字节的数目.

　　下面举UCS-2与UTF-8的对应关系,并利用C语言实现之间的互相转化。

　　------------------------------------------------------------------|

　　|               UCS2             |             UTF-8              |

　　|-----------------------------------------------------------------|

　　|               code             | 1st Byte | 2nd byte | 3rd Byte |

　　|-----------------------------------------------------------------|

　　| 000000000aaaaaaa | 0000 - 007F | 0aaaaaaa |          |          |

　　|-----------------------------------------------------------------|

　　| 00000bbbbbaaaaaa | 0080 - 07FF | 110bbbbb | 10aaaaaa | 　    　 |      

    |-----------------------------------------------------------------|

    | ccccbbbbbbaaaaaa | 0800 - FFFF | 1110cccc | 10bbbbbb | 10aaaaaa |

　　|-----------------------------------------------------------------|

    C语言转换代码如下：

int UTF8toUCS2Code(UINT8* utf8_code, UINT16* ucs2_code)
{
    UINT16 temp1, temp2;
    UINT16* out = ucs2_code;
    UINT8* in = utf8_code;

    int i = 0;
    if(!utf8_code || !ucs2_code) {
        return -1;
    }
    while(*in != '\0') {
        if(0x00 == (*in & 0x80)) {
            /* 1 byte UTF-8 Charater.*/
            *out= (UINT16)*(in++);
        }
        else if(0xc0 == (*in & 0xe0) && 0x80 == (*(in + 1) & 0xc0)) {
            /* 2 bytes UTF-8 Charater.*/
            temp1 = (UINT16)(*(in++) & 0x1f);
            temp1 <<= 6;
            temp1 |= (UINT16)(*(in++) & 0x3f);
            *out = temp1;
        }
        else if( 0xe0 == (*in & 0xf0) &&
                0x80 == (*(in +1) & 0xc0) &&
                0x80 == (*(in + 2) & 0xc0)) {
            /* 3bytes UTF-8 Charater.*/
            temp1 = (UINT16)(*(in++) & 0x0f);
            temp1 <<= 12;
            temp2 = (UINT16)(*(in++) & 0x3F);
            temp2 <<= 6;
            temp1 = temp1 | temp2 | (UINT16)(*(in++) & 0x3F);
            *out = temp1;
        }
        else {
        /* unrecognize byte. */
            return -1;
        }
        *out++;
        i++;
    }
    return i;
}