大家能否详细介绍UTF-8编码原理,能否给一个解码源程序 大家能否详细介绍UTF-8编码原理,能否给一个解码源程序 解决方案 » 免费领取超大流量手机卡,每月29元包185G流量+100分钟通话, 中国电信官方发货 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bits3) 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x4) 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/ 源代码以下是一段UCS4和UTF8互换的源代码(在Turbo C++ 3.0 及 GCC 3.2编译通过)://UCS4 <--> UTF8//=====================//Written by Chio Chan Fong (http://chiosoft.51.net, [email protected])//21 March 2003#include<stdio.h>#include<stdlib.h>//define a UCS-4 typetypedef long wchar_t_ccf;unsigned char* ucs_to_utf8( wchar_t_ccf x ){ unsigned char *pt = NULL; if( x>=0 && x<=0x7f ) { pt = malloc( 1+1 ); pt[0] = x; pt[1] = 0; } if( x>=0x80 && x<=0x7ff ) { pt = malloc( 2+1 ); pt[0] = 0xc0 + x/64; pt[1] = 0x80 + x%64; pt[2] = 0; } if( x>=0x800 && x<=0xffff ) { pt = malloc( 3+1 ); pt[0] = 0xe0 + x/4096; pt[1] = 0x80 + (x/64)%64; pt[2] = 0x80 + x%64; pt[3] = 0; } return pt;}wchar_t_ccf utf8_to_ucs( unsigned char *z ){ wchar_t_ccf w = -1; if( *z <= 0x7f ) w = *z; else if( (*z&0xf0) == 0xc0 ) { //two bytes(1100 xxxx) w = ((*z++)-0xc0)*64L; w += (*z)-0x80; } else if( (*z&0xf0) == 0xe0 ) { //three bytes(1110 xxxx) w = ((*z++)-0xe0)*4096L; w += ((*z++)-0x80)*64L; w += (*z)-0x80; } return w;}int main(void){ unsigned char *p, *q; wchar_t_ccf uni = 0x8d99; p = ucs_to_utf8( uni ); if( p != NULL ) { q = p; //save the pointer printf( "%lx -> ", uni ); while( *p ) printf( "%x ", *p++ ); printf( "-> %lx\n", utf8_to_ucs( q ) ); free( q ); } return 0;} 有没有把utf8还原为原来编码前的代码? 我想把utf8还原为编码前的状态 VS2008中,如何去除dialog的边框 CList问题 如何在 atl bho 中监控 onSubmit 事件? vc++视频传输客户端出错 C语言,当知道unicode,如何输出对应的西班牙语,在windows下有西班牙语支持么? 《COM原理与应用》中的第五章的例子中的INIT_INTERFACE_PART(CDictionary, Dictionary)不解?請大家幫忙解釋,謝謝!!! 帮忙修改一个dll 奇怪的问题 为什么对话框不能正常显示? 文本型编辑器问题 想学VC,该选哪本书呢 新手直接学.net好,还是vc6.0好? RawSocket抓包问题
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/
//=====================
//Written by Chio Chan Fong (http://chiosoft.51.net, [email protected])
//21 March 2003#include<stdio.h>
#include<stdlib.h>//define a UCS-4 type
typedef long wchar_t_ccf;unsigned char* ucs_to_utf8( wchar_t_ccf x )
{
unsigned char *pt = NULL; if( x>=0 && x<=0x7f ) {
pt = malloc( 1+1 );
pt[0] = x;
pt[1] = 0;
} if( x>=0x80 && x<=0x7ff ) {
pt = malloc( 2+1 );
pt[0] = 0xc0 + x/64;
pt[1] = 0x80 + x%64;
pt[2] = 0;
} if( x>=0x800 && x<=0xffff ) {
pt = malloc( 3+1 );
pt[0] = 0xe0 + x/4096;
pt[1] = 0x80 + (x/64)%64;
pt[2] = 0x80 + x%64;
pt[3] = 0;
} return pt;
}wchar_t_ccf utf8_to_ucs( unsigned char *z )
{
wchar_t_ccf w = -1; if( *z <= 0x7f )
w = *z;
else
if( (*z&0xf0) == 0xc0 ) { //two bytes(1100 xxxx)
w = ((*z++)-0xc0)*64L;
w += (*z)-0x80;
}
else
if( (*z&0xf0) == 0xe0 ) { //three bytes(1110 xxxx)
w = ((*z++)-0xe0)*4096L;
w += ((*z++)-0x80)*64L;
w += (*z)-0x80;
} return w;
}int main(void)
{
unsigned char *p, *q;
wchar_t_ccf uni = 0x8d99; p = ucs_to_utf8( uni );
if( p != NULL )
{
q = p; //save the pointer printf( "%lx -> ", uni );
while( *p )
printf( "%x ", *p++ );
printf( "-> %lx\n", utf8_to_ucs( q ) ); free( q );
} return 0;
}