C语言实现了UTF-8与UCS2之间的互相转化

本文简单介绍UCS,UNICODE和UTF-8，并利用C语言实现了UTF-8与UCS2之间的互相转化

2010-02-05 10:08

本文简单介绍UCS,UNICODE和UTF-8，并利用C语言实现了UTF-8与UCS2之间的互相转化。
　　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 |
　　|--------------------------------------------------------------------------------------------------------
　　在这儿我只实现了单个字符的转换，串的转换也是一样的道理。
　　1，把一个UTF-8字符转换成一个UCS-2字符。
　　如果转换成功返回1，如果UTF-8字符是一个unrecognized字符，则返回0，且存一个blackbox(U+22e0)到ucs2_code_ptr中。
　　typedef unsigned short UINT16;
　　typedef unsigned char UINT8;
　　typedef unsigned char BOOL;
　　#define TRURE (BOOL)(1)
　　#define FALSE (BOOL)(0)
　　BOOL UTF8toUCS2Code(const UINT8* utf8_code, UINT16* ucs2_code){
　　 UINT16 temp1, temp2;
　　 BOOL is_unrecognized = FALSE ;
　　 UINT16 * in = utf8_code;
　　 if(!utf8_code || !ucs2_code){
　　 return is_unrecognized;
　　 }
　　 
　　 if(0x00 == (*in & 0x80)){
　　 /* 1 byte UTF-8 Charater.*/
　　 *ucs2_code= (UINT16)*in;
　　 is_unrecognized = TRUE;
　　 }
　　 else if(0xc0 == (*in & 0xe0) &&
　　 0x80 == (*(in + 1) & 0xc0)
　　 ){
　　 /* 2 bytes UTF-8 Charater.*/ 
　　 temp1 = (UINT16)(*in & 0x1f);
　　 temp1 <<= 6;
　　 temp1 |= (UINT16)(*(in + 1) & 0x3f);
　　 *ucs2_code = temp1;
　　 is_unrecognized = TRUE;
　　 }
　　 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+1) & 0x3F);
　　 temp2 <<= 6;
　　 temp1 = temp1 | temp2 | (UINT16)(*(in+2) & 0x3F);
　　 *ucs2_code = temp1;
　　 is_unrecognized = TRUE;
　　 }
　　 else{
　　 /* unrecognize byte. */ 
　　 *ucs2_code = 0x22e0;
　　 is_unrecognized = FALSE;
　　 }
　　 return is_unrecognized;
　　}
　　2,把一个UCS-2字符转换成UTF-8字符。函数返回转换成UTF-8的长度(字节1 -- 3)，如果目标指针为空，返回0。
　　UINT8 UCS2toUTF8Code(UINT16 ucs2_code, UINT8* utf8_code){
　　 int length = 0;
　　 UINT8* out = utf8_code;
　　 if(!utf8_code){
　　 return length;
　　 }
　　 if(0x0080 > ucs2_code){
　　 /* 1 byte UTF-8 Character.*/
　　 *out = (UINT8)ucs2_code;
　　 length++; 
　　 }
　　 else if(0x0800 > ucs2_code){
　　 /*2 bytes UTF-8 Character.*/
　　 *out = ((UINT8)(ucs2_code >> 6)) | 0xc0;
　　 *(out+1) = ((UINT8)(ucs2_code & 0x003F)) | 0x80;
　　 length += 2;
　　 }
　　 else{
　　 /* 3 bytes UTF-8 Character .*/
　　 *out = ((UINT8)(ucs2_code >> 12)) | 0xE0;
　　 *(out+1) = ((UINT8)((ucs2_code & 0x0FC0)>> 6)) | 0x80;
　　 *(out+2) = ((UINT8)(ucs2_code & 0x003F)) | 0x80;
　　 length += 3; 
　　 }
　　 return length;
　　}
　　字符串间的转换也是一样的