UTF-8, Unicode, GB2312格式串转换之C语言版

朱雀 2021-11-10 00:52 298阅读 0赞

来源：[http://www.study-code.com/visual-studio/c/72913.htm][http_www.study-code.com_visual-studio_c_72913.htm]

（申明：此文章属于原创，若转载请表明作者和原处链接 ）        
      /\*      author:   wu.jian   （吴剑）      English name: Sword  
      /\*      date:      2007-12-13  
      /\*      purpose:   知识共享

这几天工作上碰到了UTF-8转GB2312的问题，而且是在嵌入式的环境下，没有API可用，查了很多网上的资料，大多调用VC或者[linux][]下自带的接口。在这里我将这两天的工作做个总结。  
      总的来说分为两大步（这里就不介绍基础知识了）：  
  
      一、UTF8 -> Unicode  
      由于UTF8和Unicode存在着联系，所以不需要任何库就可以直接进行转换。首先要看懂UTF8的编码格式：  
      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    
      前面几个1就代表后面几个字节是属于一起的。如果要解析一长串UTF8格式的字符串，这点就很有用了。下面这个函数就是判断前面几个1的（这里有define APP\_PRINT printf，这样当release的时候将这个宏定义为空就行了，不需要一个一个去改，又方便重新调试）：  
      int GetUtf8ByteNumForWord(u8 firstCh)  
      \{  
          u8 temp = 0x80;  
          int num = 0;  
   
          while (temp & firstCh)  
          \{  
                num++;  
                 temp = (temp >> 1);  
           \}

APP\_PRINT("the num is: %d", num);  
        return num;  
      \}  
      利用这个函数可以得到字符串中那几个字节是一起的。因为UTF8最大只有6个字节，所以就根据返回值来处理这里我只处理了3个字节和1个字节的UTF8的编码，因为一般来说中文在UTF8中是3个字节。  
  
//将len个字节的UTF8格式的转换成GB2312格式存放在temp预先申请好的缓冲区中  
void Utf8ToGb2312(const char\* utf8, int len, char \*temp)  
\{  
       APP\_PRINT("utf8->unicode: \\n");  
       APP\_PRINT("utf8: \[");  
       for (int k = 0; k < len; k++)  
       \{  
              APP\_PRINT("%02x ", utf8\[k\]);  
       \}  
       APP\_PRINT("\]\\n");  
   
       int byteCount = 0;  
       int i = 0;  
       int j = 0;  
  
       u16 unicodeKey = 0;  
       u16 gbKey = 0;  
  
  
      //循环解析  
       while (i < len)  
       \{     
        switch(GetUtf8ByteNumForWord((u8)utf8\[i\]))  
        \{  
          **case 0:  
                temp\[j\] = utf8\[i\];  
                byteCount = 1;  
          break;**  
  
          case 2:  
          temp\[j\] = utf8\[i\];  
          temp\[j + 1\] = utf8\[i + 1\];  
          byteCount = 2;  
          break;  
  
        ** case 3:  
                 //这里就开始进行UTF8->Unicode  
                 temp\[j + 1\] = ((utf8\[i\] & 0x0F) << 4) | ((utf8\[i + 1\] >> 2) & 0x0F);  
                 temp\[j\] = ((utf8\[i + 1\] & 0x03) << 6) + (utf8\[i + 2\] & 0x3F);  
  
                //取得Unicode的值  
                 memcpy(&unicodeKey, (temp + j), 2);  
                 APP\_PRINT("unicode key is: 0x%04X\\n", unicodeKey);  
  
                  //根据这个值查表取得对应的GB2312的值  
                gbKey = SearchCodeTable(unicodeKey);  
                APP\_PRINT("gb2312 key is: 0x%04X\\n", gbKey);  
      
                if (gbKey != 0)  
                \{  
                       //here change the byte  
                        //不为0表示搜索到，将高低两个字节调换调成我要的形式  
                       gbKey = (gbKey >> 8) | (gbKey << 8);  
                       APP\_PRINT("after changing, gb2312 key is: 0x%04X\\n", gbKey);  
                       memcpy((temp + j), &gbKey, 2);  
                  \}**

**                byteCount = 3;  
          break;**  
  
          case 4:  
          byteCount = 4;  
          break;  
         case 5:  
          byteCount = 5;  
          break;  
         case 6:  
          byteCount = 6;  
          break;  
      
         default:  
          APP\_PRINT("the len is more than 6\\n");  
          break;      
        \}

i += byteCount;  
        if (byteCount == 1)  
        \{  
               j++;  
        \}  
        else  
        \{  
               j += 2;  
        \}  
    
       \}  
       APP\_PRINT("utf8: \[");  
       for (k = 0; k < j; k++)  
       \{  
              APP\_PRINT("%02x ", temp\[k\]);  
       \}  
       APP\_PRINT("\]\\n");  
\}  
  
      二、下面主要谈谈利用查表法来进行Unicode->GB2312的转换，首先下载码表，一般码表都是将GB2312的放在前面，Unicode放在后面，这样对于我们来说不方便使用，所以我转换了下，将Unicode放在前面，而且按照从小到大排好序。（这里只需要考虑都为两个字节的情况，因为前面的UTF8->Unicode并没有将单字节的ASCII转换成Unicode）  
            (1)做表：(可以到这里下载：http://blog.91bs.com/?action=show&id=20，这里谢谢渣渣的猪窝)  
            这个是原来的样子：  
            0x8140 0x4E02 \#CJK UNIFIED IDEOGRAPH  
            0x8141 0x4E04 \#CJK UNIFIED IDEOGRAPH  
            0x8142 0x4E05 \#CJK UNIFIED IDEOGRAPH  
            先弄成（这个可以写个小程序来做，我就是在VC上做的，如果需要可以联系我）：  
            \{ 0x4E02 ，0x8140 \}, //CJK UNIFIED IDEOGRAPH  
            \{ 0x4E04 ，0x8141 \}, //CJK UNIFIED IDEOGRAPH  
            \{ 0x4E05 ，0x8142 \}, //CJK UNIFIED IDEOGRAPH  
            这样就可以把这些放在.h文件中了，下面是我的定义：  
            typedef struct unicode\_gb  
            \{  
                   unsigned short unicode;  
                   unsigned short gb;  
            \} UNICODE\_GB;

UNICODE\_GB code\_table\[\] =   
            \{  
                  \{ 0x4E02, 0x8140 \},   //CJK UNIFIED IDEOGRAPH  
                  \{ 0x4E04, 0x8141 \},  //CJK UNIFIED IDEOGRAPH  
                  \{ 0x4E05, 0x8142 \},  //CJK UNIFIED IDEOGRAPH  
                  。。。。。。省略  
  
            下面这一步也很简单，在VC中用冒泡排序法对整个表进行排序，这里是按照unicode值进行排序，把排序后的最终结果打印出来，在cmd下运行name > 1.txt就输出到文件，这样就有了一个按照unicode排好序的unicode->gb2312码表。以下是源代码：  
  
   int main(int argc, char \*argv\[\])  
\{

int num = 0;  
    UNICODE\_GB temp;  
    int i = 0;  
    int j = 0;

num = sizeof(code\_table) / sizeof(UNICODE\_GB);

printf("struct size: %d | total size: %d | num is: %d \\n",   
    sizeof(UNICODE\_GB), sizeof(code\_table), num);

for (i = 0; i < num; i++)  
    \{  
        for (j = 1; j < num - i; j++)  
        \{  
            if (code\_table\[j - 1\].unicode > code\_table\[j\].unicode)  
            \{  
                temp.unicode = code\_table\[j - 1\].unicode;  
                temp.gb = code\_table\[j - 1\].gb;  
                code\_table\[j - 1\].unicode = code\_table\[j\].unicode;  
                code\_table\[j - 1\].gb = code\_table\[j\].gb;  
                code\_table\[j\].unicode = temp.unicode;  
                code\_table\[j\].gb = temp.gb;  
            \}  
        \}  
    \}

printf("here is the code table sorted by unicode\\n\\n");

for (i = 0; i < num; i++)  
    \{  
        printf("\{\\t0x%04X,\\t0x%04X\\t\},\\t\\n", code\_table\[i\].unicode, code\_table\[i\].gb);  
     \}

printf("\\n\\n print over!\\n");  
  
   //以下注释掉的其实就是我用来对原来的码表添加，\{，\}等用的  
   /\*  
    char buff\[100\];  
    char buff\_1\[100\];   
   
    FILE\* fp = NULL;  
    FILE \*fp\_1 = NULL;

memset(buff, 0, 100);  
    memset(buff\_1, 0, 100);  
   
    fp = fopen("table.txt", "rw");  
    fp\_1 = fopen("table\_1.txt", "a+");

if ((fp == NULL) || (fp\_1 == NULL))  
    \{  
        printf("open file error!\\n");  
        return 1;  
    \}

while (fgets(buff, 100, fp) != NULL)  
    \{  
        buff\[8\] = ',';

fputs(buff, fp\_1);  
    \}  
 \*/

return 0;  
\}  
  
      最后就是搜索算法了，前面已经排好序了，现在我们把排好序的码表放在我们真正需要的.h文件中。大家应该猜我用什么算法搜索了吧，二分法。  
  
\#define CODE\_TABLE\_SIZE 21791  
//这个表是死的，所以就直接用宏表示长度，不用每次都用size，不过这样可能对移植性不好。  
u16 SearchCodeTable(u16 unicodeKey)  
\{  
    int first = 0;  
    int end = CODE\_TABLE\_SIZE - 1;  
    int mid = 0;

while (first <= end)  
    \{  
        mid = (first + end) / 2;

if (code\_table\[mid\].unicode == unicodeKey)  
        \{  
            return code\_table\[mid\].gb;  
        \}  
        else if (code\_table\[mid\].unicode > unicodeKey)  
        \{  
            end = mid - 1;  
        \}  
        else   
        \{  
            first = mid + 1;  
        \}  
    \}  
    return 0;  
\}  
      到此，已经能够将UTF8串转换成GB2312了。是一长串哦，而不是单个汉字的编码转换。

转载于:https://www.cnblogs.com/kangshifu/archive/2008/10/16/1312544.html

[http_www.study-code.com_visual-studio_c_72913.htm]: http://www.study-code.com/visual-studio/c/72913.htm
[linux]: http://www.study-code.com/server/linux.htm