(Unicode) UTF-8与UTF-16之间转换

迈不过友情╰ 2022-07-15 15:54 517阅读 0赞

一、Unicode的由来  
 1、我们知道计算机其实只认识0101这样的字符串，当然了让我们看这样的01串会比较头晕，所以为了描述简单一般都用八进制、十进制、十六进制表示。  
实际上都是等价的。其它像文字图片音视频等计算机也是不认识的，为了让计算机能表示这些信息就必须转换成一些数字，必须按照一些规则转换。  
比如：刚开始的时候就有ASCII字符集(American Standard Code for Information Interchange， 美国信息交换标准码)它使用7 bits来表示一个字符，  
总共表示128个字符，我们一般都是用字节(byte：即8个01串)来作为基本单位。当时一个字节来表示字符时第一个bit总是0，剩下的七个字节就来表示实际内容。后来IBM公司在此基础上进行了扩展，用8bit来表示一个字符，总共可以表示256个字符。也就是当第一个bit是0时仍表示之前那些常用的字符，当为1时就表示其他补充的字符。  
 2、英文字母再加一些其他标点字符之类的也不会超过256个，一个字节表示足够了。但其他一些文字不止这么多 ，像汉字就上万个，  
于是又出现了其他各种字符集。这样不同的字符集交换数据时就有问题了，可能你用某个数字表示字符A，但另外的字符集又是用另外一个数字表示A。  
为了适应全球化的发展，便于不同语言之间的兼容交互，而ASCII不再能胜任此任务了。所以就出现了Unicode和ISO这样的组织来统一制定一个标准，任何一个字符只对应一个确定的数字。ISO取的名字叫UCS(Universal Character Set)(ucs-2对应utf-16,ucs-4对应utf-32)，Unicode取的名字就叫unicode了。  
   
二、UTF-8和UTF-16的由来  
 1、Unicode第一个版本涉及到两个步骤：首先定义一个规范，给所有的字符指定一个唯一对应的数字，Unicode是用0至65535(2的16次方)之间的数字来表示所有字符，其中0至127这128个数字表示的字符仍然跟ASCII完全一样；第二怎么把字符对应的数字(0至65535)转化成01串保保存在计算机中。在保存时就涉及到了在计算机中占多少字节空间，就有不同的保存方式，于是出现了UTF(unicode transformation format)：UTF-8和UTF-16。

三、UTF-8和UTF-16的区别  
   
    1、UTF-16：是任何字符对应的数字都用两个字节来保存，但如果都是英文字母(一个字节能表示一个字符)这样做有点浪费。  
 2、UTF-8：是任何字符对应的数字保存时所占的空间是可变的，可能用一个、两个或三个字节表示一个字符。  
   
四、UTF-8和UTF-16的优劣  
 1、如果全部英文或英文与其他文字混合(英文占绝大部分)，用UTF-8就比UTF-16节省了很多空间。  
 2、而如果全部是中文这样类似的字符或者混合字符(中文占绝大多数),UTF-16就可以节省很多空间，另外还有个容错问题(比如：UTF-8需要判断每个字节中的开头标志信息,所以如果一当某个字节在传送过程中出错了,就会导致后面的字节也会解析出错；而UTF-16不会判断开头标志,即使错也只会错一个字符,所以容错能力强)。  
   
五、Unicode举例说明  
 1、例如：中文字"汉"对应的unicode是6C49(这是用十六进制表示,用十进制表示是27721)；  
 2、UTF-16表示"汉"：比较简单，就是01101100   01001001(共16 bit,两个字节)，程序解析的时候知道是UTF-16就把两个字节当成一个单元来解析。  
 3、UTF-8表示"汉"：比较复杂，因为程序是一个字节一个字节的来读取，然后再根据字节中开头的bit标志来识别是该把一个、两个或三个字节做为一个单元来处理。规则如下：  
   0xxxxxxx：如果是这样的格式，也就是以0开头就表示把一个字节做为一个单元，就跟ASCII完全一样；  
   110xxxxx  10xxxxxx：如果是这样的格式，则把两个字节当一个单元；  
   1110xxxx 10xxxxxx 10xxxxxx：如果是这样的格式，则把三个字节当一个单元。  
   
 4、由于UTF-16不需要用其它字符来做标志，所以两字节也就是2的16次能表示65536个字符；  
 5、而UTF-8由于里面有额外的标志信息，所有一个字节只能表示2的7次方128个字符，两个字节只能表示2的11次方2048个字符，而三个字节能表示2的16次方，65536个字符。  
   
 6、由于"汉"的编码27721大于2048了所有两个字节还不够，所以用1110xxxx 10xxxxxx 10xxxxxx这种格式，把27721对应的二进制从左到右填充XXX符号(实际上不一定从左到右,也可以从右到左)。  
 7、由于填充方式的不一样，于是就出现了Big-Endian、Little-Endian的术语。Big-Endian就是从左到右，Little-Endian是从右到左。

六、Unicode第二个版本  
 第一个版本的65536显然不算太多的数字，用它来表示常用的字符是没一点问题足够了，但如果加上很多特殊的也就不够了。于是从1996年有了第二个版本，用四个字节表示所有字符，这样就出现了UTF-8、UTF16、UTF-32，原理和之前是完全一样的，UTF-32就是把所有的字符都用32bit也就是4个字节来表示。然后UTF-8、UTF-16就视情况而定了。UTF-8可以选择1至8个字节中的任一个来表示，而UTF-16只能是选两字节或四字节。

七、代码

utf.c

/* ************************************************************************
     *       Filename:  utf.c
     *    Description:  
     *        Version:  1.0
     *        Created:  2016年10月21日 09时50分05秒
     *       Revision:  none
     *       Compiler:  gcc
     *         Author:  YOUR NAME (), 
     *        Company:  
     * ************************************************************************/
    #include <stdio.h>
    #include <string.h>
    #include "utf.h"
    static boolean isLegalUTF8(const UTF8 *source, int length)
    {
        UTF8 a;
        const UTF8 *srcptr = NULL;
        
        if (NULL == source){
            printf("ERR, isLegalUTF8: source=%p\n", source);
            return FALSE;
        }
        srcptr = source+length;
    
        switch (length) {
    		default:
    			printf("ERR, isLegalUTF8 1: length=%d\n", length);
    			return FALSE;
    		/* Everything else falls through when "TRUE"... */
    		case 4:
    			if ((a = (*--srcptr)) < 0x80 || a > 0xBF){
    				printf("ERR, isLegalUTF8 2: length=%d, a=%x\n", length, a);
    				return FALSE;
    			}
    		case 3:
    			if ((a = (*--srcptr)) < 0x80 || a > 0xBF){
    				printf("ERR, isLegalUTF8 3: length=%d, a=%x\n", length, a);
    				return FALSE;
    			}
    		case 2: 
    			if ((a = (*--srcptr)) > 0xBF){
    				printf("ERR, isLegalUTF8 4: length=%d, a=%x\n", length, a);
    				return FALSE;
    			}
    			switch (*source)
    			{
    				/* no fall-through in this inner switch */
    				case 0xE0: 
    					if (a < 0xA0){
    						printf("ERR, isLegalUTF8 1: source=%x, a=%x\n", *source, a);
    						return FALSE; 
    					}
    					break;
    				case 0xED:
    					if (a > 0x9F){
    						printf("ERR, isLegalUTF8 2: source=%x, a=%x\n", *source, a);
    						return FALSE; 
    					}
    					break;
    				case 0xF0:
    					if (a < 0x90){
    						printf("ERR, isLegalUTF8 3: source=%x, a=%x\n", *source, a);
    						return FALSE; 
    					}
    					break;
    				case 0xF4:
    					if (a > 0x8F){
    						printf("ERR, isLegalUTF8 4: source=%x, a=%x\n", *source, a);
    						return FALSE; 
    					}
    					break;
    				default:
    					if (a < 0x80){
    						printf("ERR, isLegalUTF8 5: source=%x, a=%x\n", *source, a);
    						return FALSE; 
    					}
    			}
    		case 1: 
    			if (*source >= 0x80 && *source < 0xC2){
    				printf("ERR, isLegalUTF8: source=%x\n", *source);
    				return FALSE;
    			}
        }
        if (*source > 0xF4)
    		return FALSE;
        return TRUE;
    }
    ConversionResult Utf8_To_Utf16 (const UTF8* sourceStart, UTF16* targetStart, size_t outLen , ConversionFlags flags)
    {
        ConversionResult result = conversionOK;
        const UTF8* source = sourceStart;
        UTF16* target      = targetStart;
        UTF16* targetEnd   = targetStart + outLen/2;
        const UTF8*  sourceEnd = NULL;
    
        if ((NULL == source) || (NULL == targetStart)){
            printf("ERR, Utf8_To_Utf16: source=%p, targetStart=%p\n", source, targetStart);
            return conversionFailed;
        }
        sourceEnd   = strlen((const char*)sourceStart) + sourceStart;
    
        while (*source){
            UTF32 ch = 0;
            unsigned short extraBytesToRead = trailingBytesForUTF8[*source];
            if (source + extraBytesToRead >= sourceEnd){
                printf("ERR, Utf8_To_Utf16----sourceExhausted: source=%p, extraBytesToRead=%d, sourceEnd=%p\n", source, extraBytesToRead, sourceEnd);
                result = sourceExhausted;
    			break;
            }
            /* Do this check whether lenient or strict */
            if (! isLegalUTF8(source, extraBytesToRead+1)){
                printf("ERR, Utf8_To_Utf16----isLegalUTF8 return FALSE: source=%p, extraBytesToRead=%d\n", source, extraBytesToRead);
                result = sourceIllegal;
                break;
            }
            /*
            * The cases all fall through. See "Note A" below.
            */
            switch (extraBytesToRead) {
    			case 5: ch += *source++; ch <<= 6; /* remember, illegal UTF-8 */
    			case 4: ch += *source++; ch <<= 6; /* remember, illegal UTF-8 */
    			case 3: ch += *source++; ch <<= 6;
    			case 2: ch += *source++; ch <<= 6;
    			case 1: ch += *source++; ch <<= 6;
    			case 0: ch += *source++;
            }
            ch -= offsetsFromUTF8[extraBytesToRead];
    
            if (target >= targetEnd) {
                source -= (extraBytesToRead+1); /* Back up source pointer! */
                printf("ERR, Utf8_To_Utf16----target >= targetEnd: source=%p, extraBytesToRead=%d\n", source, extraBytesToRead);
                result = targetExhausted;
    			break;
            }
            if (ch <= UNI_MAX_BMP){
    			/* Target is a character <= 0xFFFF */
                /* UTF-16 surrogate values are illegal in UTF-32 */
                if (ch >= UNI_SUR_HIGH_START && ch <= UNI_SUR_LOW_END){
                    if (flags == strictConversion){
                        source -= (extraBytesToRead+1); /* return to the illegal value itself */
                        printf("ERR, Utf8_To_Utf16----ch >= UNI_SUR_HIGH_START && ch <= UNI_SUR_LOW_END: source=%p, extraBytesToRead=%d\n", source, extraBytesToRead);
                        result = sourceIllegal;
                        break;
                    } else {
                        *target++ = UNI_REPLACEMENT_CHAR;
                    }
                } else{
                    *target++ = (UTF16)ch; /* normal case */
                }
            }else if (ch > UNI_MAX_UTF16){
                if (flags == strictConversion) {
                    result = sourceIllegal;
                    source -= (extraBytesToRead+1); /* return to the start */
                    printf("ERR, Utf8_To_Utf16----ch > UNI_MAX_UTF16: source=%p, extraBytesToRead=%d\n", source, extraBytesToRead);
                    break; /* Bail out; shouldn't continue */
                } else {
                    *target++ = UNI_REPLACEMENT_CHAR;
                }
            } else {
                /* target is a character in range 0xFFFF - 0x10FFFF. */
                if (target + 1 >= targetEnd) {
                    source -= (extraBytesToRead+1); /* Back up source pointer! */
                    printf("ERR, Utf8_To_Utf16----target + 1 >= targetEnd: source=%p, extraBytesToRead=%d\n", source, extraBytesToRead);
                    result = targetExhausted; break;
                }
                ch -= halfBase;
                *target++ = (UTF16)((ch >> halfShift) + UNI_SUR_HIGH_START);
                *target++ = (UTF16)((ch & halfMask) + UNI_SUR_LOW_START);
            }
        }
        return result;
    }
    
    int Utf16_To_Utf8 (const UTF16* sourceStart, UTF8* targetStart, size_t outLen ,  ConversionFlags flags)
    {
        int result = 0;
        const UTF16* source = sourceStart;
        UTF8* target        = targetStart;
        UTF8* targetEnd     = targetStart + outLen;
        
        if ((NULL == source) || (NULL == targetStart)){
            printf("ERR, Utf16_To_Utf8: source=%p, targetStart=%p\n", source, targetStart);
            return conversionFailed;
        }
        
        while ( *source ) {
            UTF32 ch;
            unsigned short bytesToWrite = 0;
            const UTF32 byteMask = 0xBF;
            const UTF32 byteMark = 0x80; 
            const UTF16* oldSource = source; /* In case we have to back up because of target overflow. */
            ch = *source++;
            /* If we have a surrogate pair, convert to UTF32 first. */
            if (ch >= UNI_SUR_HIGH_START && ch <= UNI_SUR_HIGH_END) {
                /* If the 16 bits following the high surrogate are in the source buffer... */
                if ( *source ){
                    UTF32 ch2 = *source;
                    /* If it's a low surrogate, convert to UTF32. */
                    if (ch2 >= UNI_SUR_LOW_START && ch2 <= UNI_SUR_LOW_END) {
                        ch = ((ch - UNI_SUR_HIGH_START) << halfShift) + (ch2 - UNI_SUR_LOW_START) + halfBase;
                        ++source;
                    }else if (flags == strictConversion) { /* it's an unpaired high surrogate */
                        --source; /* return to the illegal value itself */
                        result = sourceIllegal;
                        break;
                    }
                } else { /* We don't have the 16 bits following the high surrogate. */
                    --source; /* return to the high surrogate */
                    result = sourceExhausted;
                    break;
                }
            } else if (flags == strictConversion) {
                /* UTF-16 surrogate values are illegal in UTF-32 */
                if (ch >= UNI_SUR_LOW_START && ch <= UNI_SUR_LOW_END){
                    --source; /* return to the illegal value itself */
                    result = sourceIllegal;
                    break;
                }
            }
            /* Figure out how many bytes the result will require */
            if(ch < (UTF32)0x80){	     
    			bytesToWrite = 1;
            } else if (ch < (UTF32)0x800) {     
                bytesToWrite = 2;
            } else if (ch < (UTF32)0x10000) {  
                bytesToWrite = 3;
            } else if (ch < (UTF32)0x110000){ 
                bytesToWrite = 4;
            } else {	
                bytesToWrite = 3;
                ch = UNI_REPLACEMENT_CHAR;
            }
    		
            target += bytesToWrite;
            if (target > targetEnd) {
                source = oldSource; /* Back up source pointer! */
                target -= bytesToWrite; result = targetExhausted; break;
            }
            switch (bytesToWrite) { /* note: everything falls through. */
    			case 4: *--target = (UTF8)((ch | byteMark) & byteMask); ch >>= 6;
    			case 3: *--target = (UTF8)((ch | byteMark) & byteMask); ch >>= 6;
    			case 2: *--target = (UTF8)((ch | byteMark) & byteMask); ch >>= 6;
    			case 1: *--target = (UTF8)(ch | firstByteMark[bytesToWrite]);
            }
            target += bytesToWrite;
        }
        return result;
    }
    int main(int argc, char *argv[])
    {
    	int i=0;
    	UTF8 buf8[256]="";
    	UTF16 buf16[256]={0};
    	strcpy(buf8,"程序员");
    	Utf8_To_Utf16(buf8,buf16,sizeof(buf16),strictConversion);
    	printf("\nUTF-8 => UTF-16 = ");
    	while(buf16[i])
    	{
    		printf("%#x  ",buf16[i]);
    		i++;
    	}
    
    	memset(buf8,0,sizeof(buf8));
    	memset(buf16,0,sizeof(buf16));
    	buf16[0]=0x7a0b;
    	buf16[1]=0x5e8f;
    	buf16[2]=0x5458;
    	Utf16_To_Utf8 (buf16, buf8, sizeof(buf8) , strictConversion);
    	printf("\nUTF-16 => UTF-8 = %s\n\n",buf8);
    	return 0;
    }

utf.h

/* ************************************************************************
     *       Filename:  utf.h
     *    Description:  
     *        Version:  1.0
     *        Created:  2016年10月21日 09时50分47秒
     *       Revision:  none
     *       Compiler:  gcc
     *         Author:  YOUR NAME (), 
     *        Company:  
     * ************************************************************************/
    #ifndef __UTF_H__
    #define __UTF_H__
    
    #define FALSE  0
    #define TRUE   1
    
    #define halfShift	10
    #define UNI_SUR_HIGH_START  (UTF32)0xD800
    #define UNI_SUR_HIGH_END    (UTF32)0xDBFF
    #define UNI_SUR_LOW_START   (UTF32)0xDC00
    #define UNI_SUR_LOW_END     (UTF32)0xDFFF
    /* Some fundamental constants */
    #define UNI_REPLACEMENT_CHAR (UTF32)0x0000FFFD
    #define UNI_MAX_BMP (UTF32)0x0000FFFF
    #define UNI_MAX_UTF16 (UTF32)0x0010FFFF
    #define UNI_MAX_UTF32 (UTF32)0x7FFFFFFF
    #define UNI_MAX_LEGAL_UTF32 (UTF32)0x0010FFFF
    
    typedef unsigned char   boolean;
    typedef unsigned int	CharType ;
    typedef unsigned char	UTF8;
    typedef unsigned short	UTF16;
    typedef unsigned int	UTF32;
    
    static const UTF32 halfMask = 0x3FFUL;
    static const UTF32 halfBase = 0x0010000UL;
    static const UTF8 firstByteMark[7] = { 0x00, 0x00, 0xC0, 0xE0, 0xF0, 0xF8, 0xFC };
    static const UTF32 offsetsFromUTF8[6] = { 0x00000000UL, 0x00003080UL, 0x000E2080UL, 0x03C82080UL, 0xFA082080UL, 0x82082080UL };
    static const char trailingBytesForUTF8[256] =
    {
        0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0, 0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,
    	0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0, 0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,
    	0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0, 0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,
    	0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0, 0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,
    	0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0, 0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,
    	0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0, 0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,
    	1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,
    	2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2, 3,3,3,3,3,3,3,3,4,4,4,4,5,5,5,5
    };
    typedef enum 
    {
    	strictConversion = 0,
    	lenientConversion
    } ConversionFlags;
    typedef enum 
    {
    	conversionOK, 		/* conversion successful */
    	sourceExhausted,	/* partial character in source, but hit end */
    	targetExhausted,	/* insuff. room in target for conversion */
    	sourceIllegal,		/* source sequence is illegal/malformed */
    	conversionFailed
    } ConversionResult;
    #endif

运行结果如下：

![Center][]

[Center]: /images/20220715/351eb03a50fd4ca18a2cb65c231dc9a2.png