如何将文本文件转换成UTF-8格

Question

如何将文本文件转换成UTF-8格

Answer 1

改文件头为EF BB BF，文件就是UTF-8格式的了。不过如果文件原来有内容，还需要把内容转换为UTF-8格式的，使用函数：WideCharToMultiByte和MultiByteToWideChar

Answer 2

什么是UTF8?　　UTF8并不算是一种电脑编码，而是一种储存和传送的格式，如前所述，每个Unicode/UCS字符都以 2或4个bytes来储存，看看以下的比较：　　以"I am Chinese"为例
　　　用ANSI储存：12 Bytes
　　　用Unicode/UCS2储存：24 Bytes + 2 Bytes(header)
　　　用UCS4储存：48 Bytes + 4 Bytes(header)　　以"我是中国人"为例
　　　用ANSI储存：10 Bytes
　　　用Unicode/UCS2储存：10 Bytes + 2 Bytes(header)
　　　用UCS4储存：20 Bytes + 4 Bytes(header)　　由此可见直接以Unicode/UCS的原始形式来储存是一种极大的浪费，而且也不利于互联网的传输(中文稍为合算一点^_^)。　　有见及此，Unicode/UCS的压缩形式－－UTF8出现了，套用官方网站的首句话『UTF-8 stands for Unicode Transformation Format-8. It is an octet (8-bit) lossless encoding of Unicode characters.』，由于UTF也适用于编码UCS，故亦可称为『UCS transformation formats (UTF)』　　UTF8是以8bits即1Bytes为编码的最基本单位，当然也可以有基于16bits和32bits的形式，分别称为UTF16和UTF32，但目前用得不多，而UTF8则被广泛应用在文件储存和网络传输中。
编码原理先看这个模板： UCS-4 range (hex.)      UTF-8 octet sequence (binary)
   0000 0000-0000 007F   0xxxxxxx
   0000 0080-0000 07FF   110xxxxx 10xxxxxx
   0000 0800-0000 FFFF   1110xxxx 10xxxxxx 10xxxxxx   0001 0000-001F FFFF   11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
   0020 0000-03FF FFFF   111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
   0400 0000-7FFF FFFF   1111110x 10xxxxxx ... 10xxxxxx编码步骤：
1) 首先确定需要多少个8bits(octets)
2) 按照上述模板填充每个octets的高位bits
3) 把字符的bits填充至x中，字符顺序：低位→高位，UTF8顺序：最后一个octet的最末位x→第一个octet最高位x
4) 解码的原理一样。实例：(留意每个bit的颜色，粗体字为模板内容)UCS-4                            |UTF-8 
-----------------------------------------------------------------------------
HEX       BIN               Bytes| BIN                        HEX      Bytes 
0000 000A 00001010          4    | 00001010                   0A       1 
0000 0099 10011001          4    | 11000010 10011001          C2 99    2 
0000 8D99 10001101 10011001 4    | 11101000 10110110 10011001 E8 B6 99 3 　　不知大家看懂了没有，其实不懂也无所谓，反正又不用自己算，程式可以完全代劳。　　以UTF8格式储存的文件档首标识为EF BB BF。
效率　　从上述编码原理中得出的结论是：
　　　1.每个英文字母、数字所占的空间为1 Byte；
　　　2.泛欧语系、斯拉夫语字母占2 Bytes；
　　　3.汉字占3 Bytes。　　由此可见UTF8对英文来说是个非常诱人的方案，但对中文来说则不太合算，无论用ANSI还是 Unicode/UCS2来编码都只用2 Bytes，但用UTF8则需要3 Bytes。　　以下是一些统计资料，显示用UTF8来储存文件每个字符所需的平均字节：
　　　1.拉丁语系平均用1.1 Bytes；
　　　2.希腊文、俄文、阿拉伯文和希伯莱文平均用1.7 Bytes；
　　　3.其他大部份文字如中文、日文、韩文、Hindi(北印度语)用约3 Bytes；
　　　4.用超过4 Bytes的都是些非常少用的文字符号。官方网站：http://www.utf8.com/

Answer 3

EF BB BF只是UTF-8的表示方式，并不代表加上文档就会转化一般来说，从ascii到UNICODE需要使用编码表，window通过codepage来映射这种关系
你可以通过WideCharToMultiByte和MultiByteToWideChar实现转化的操作，也可以通过
Unicode.org上的对照表自己做codepageUTF-8是UNICODE的压缩方式，其实对英文比较经济，只需要一个字节的空间，而对于中文则
需要3个字节，比UNICODE还费。转化的方式同样可以使用上面的2个函数，也可以载网上查相应的代码，不是很复杂。
LPWSTR CStrHandler::TransA2W(LPCSTR pszSrc,UINT uCodePage)
{
LPWSTR lpwStr = NULL;
try
{
int iLen = strlen(pszSrc);
int iSize = sizeof(WCHAR) * iLen + 1;

lpwStr = new WCHAR[iSize];
iSize = ::MultiByteToWideChar(uCodePage, 0, pszSrc, 
iLen + 1, lpwStr, iSize);
}
catch(...)
{
if(lpwStr != NULL)
delete lpwStr;
lpwStr = NULL;
}
return lpwStr;
}LPTSTR CStrHandler::TransW2A(LPWSTR src,UINT uCodePage)
{
int nSrcLen = src != NULL ? wcslen(src) * 2 : 0;

if (nSrcLen == 0) return NULL; LPTSTR dest = new CHAR[nSrcLen + 1];

int result = ::WideCharToMultiByte(uCodePage, 0, src, -1,
dest, nSrcLen + 1, NULL, NULL);
if (result > 0)
dest[result-1] = '\0'; return dest;
}
BY_HANDLE_FILE_INFORMATION fi;
::GetFileInformationByHandle(hFile,&fi);
pBuf = new char[fi.nFileSizeLow + 1];

::SetFilePointer(hFile,0,0,FILE_BEGIN);
::ReadFile(hFile,pBuf,fi.nFileSizeLow,&dwSize,NULL);
pBuf[dwSize] = '\0'; LPWSTR pData = TransA2W(pBuf, CP_ACP);
dwSize = wcslen(pData) * sizeof(pData[0]);
delete pBuf;
pBuf = TransW2A(pData, CP_UTF8);
dwSize = strlen(pBuf);
::SetFilePointer(hFile, 0, 0, FILE_BEGIN);
::WriteFile(hFile, pBuf, dwSize, &dwSize, NULL);