实例详细介绍各种字符集编码转换问题

本文背景：

本人在编程时需要匹配字符串，由此想到了如果文件是各种字符编码的话，匹配结果有可能不正确，那么，如何判断不同的字符集？如何在不同字符集之间做转换？对于UNICODE编码逐渐通用的情况下，我们软件人员如何从容应对？ 本文首先对常用字符集进行总结，然后在字符集的显示及转换上以实例介绍，最后总结了编程中遇到的编码问题。

本文目的：

对字符集编码做详细介绍，关键配以实例讲解，降低问题的复杂度。

本文内容：

1.    常用字符集分类

1.1 简介

·         ASCII及其扩展字符集

作用：表语英语及西欧语言。

位数：ASCII是用7位表示的，能表示128个字符；其扩展使用8位表示，表示256个字符。

范围：ASCII从00到7F，扩展从00到FF。

 

·         ISO-8859-1字符集

作用：扩展ASCII，表示西欧、希腊语等。

位数：8位，

范围：从00到FF，兼容ASCII字符集。

 

·         GB2312字符集

作用：国家简体中文字符集，兼容ASCII。

位数：使用2个字节表示，能表示7445个符号，包括6763个汉字，几乎覆盖所有高频率汉字。

范围：高字节从A1到F7, 低字节从A1到FE。将高字节和低字节分别加上0XA0即可得到编码。

 

·         BIG5字符集

作用：统一繁体字编码。

位数：使用2个字节表示，表示13053个汉字。

范围：高字节从A1到F9，低字节从40到7E，A1到FE。

 

·         GBK字符集

作用：它是GB2312的扩展，加入对繁体字的支持，兼容GB2312。

位数：使用2个字节表示，可表示21886个字符。

范围：高字节从81到FE，低字节从40到FE。

 

·         GB18030字符集

作用：它解决了中文、日文、朝鲜语等的编码，兼容GBK。

位数：它采用变字节表示(1 ASCII，2，4字节)。可表示27484个文字。

范围： 1 字节从00到7F; 2字节高字节从81到FE，低字节从40到7E和80到FE；4字节第一三字节从81到FE，第二四字节从30到39。

 

·         UCS字符集

作用：国际标准 ISO 10646 定义了通用字符集 (Universal Character Set)。它是与UNICODE同类的组织，UCS-2和UNICODE兼容。

位数：它有UCS-2和UCS-4两种格式，分别是2字节和4字节。

范围：目前，UCS-4只是在UCS-2前面加了0x0000。

 

·         UNICODE字符集

作用：为世界650种语言进行统一编码，兼容ISO-8859-1。

位数：UNICODE字符集有多个编码方式，分别是UTF-8，UTF-16和UTF-32。

UTF-8 ：采用变长字节 (1 ASCII, 2 希腊字母, 3 汉字, 4 平面符号) 表示，网络传输, 即使错了一个字节，不影响其他字节，而双字节只要一个错了，其他也错了，具体如下：

如果只有一个字节则其最高二进制位为0；如果是多字节，其第一个字节从最高位开始，连续的二进制位值为1的个数决定了其编码的字节数，其余各字节均以10开头。UTF-8最多可用到6个字节。

 

UTF-16 ：采用2字节，Unicode中不同部分的字符都同样基于现有的标准。这是为了便于转换。从 0x0000到0x007F是ASCII字符，从0x0080到0x00FF是ISO-8859-1对ASCII的扩展。希腊字母表使用从0x0370到0x03FF 的代码，斯拉夫语使用从0x0400到0x04FF的代码，美国使用从0x0530到0x058F的代码，希伯来语使用从0x0590到0x05FF的代 码。中国、日本和韩国的象形文字（总称为CJK）占用了从0x3000到0x9FFF的代码；

由于0x00在c语言及操作系统文件名等中有特殊意义，故很多情况下需要UTF-8编码保存文本，去掉这个0x00。举例如下：

UTF-16: 0x0080 = 0000 0000 1000 0000

UTF-8:   0xC280 = 1100 0010 1000 0000

UTF-32：采用4字节。

优缺点：

·        UTF-8、UTF-16和UTF-32都可以表示有效编码空间 (U+000000-U+10FFFF) 内的所有Unicode字符。

·        使用UTF-8编码时ASCII字符只占1个字节，存储效率比较高，适用于拉丁字符较多的场合以节省空间。

·        对于大多数非拉丁字符（如中文和日文）来说，UTF-16所需存储空间最小，每个字符只占2个字节。

·        Windows NT内核是Unicode（UTF-16），采用UTF-16编码在调用系统API时无需转换，处理速度也比较快。

·        采用UTF-16和UTF-32会有Big Endian和Little Endian之分，而UTF-8则没有字节顺序问题，所以UTF-8适合传输和通信。

·        UTF-32采用4字节编码，一方面处理速度比较快，但另一方面也浪费了大量空间，影响传输速度，因而很少使用。

 

1.2 按所表示的文字分类

  

语言	字符集	正式名称
英语、西欧语	ASCII，ISO-8859-1	MBCS 多字节
简体中文	GB2312	MBCS 多字节
繁体中文	BIG5	MBCS 多字节
简繁中文	GBK	MBCS 多字节
中文、日文及朝鲜语	GB18030	MBCS 多字节
各国语言	UNICODE，UCS	DBCS 宽字节

 

 

 

 

 

 

2.  如何判断字符集

2.1 字节序

首先说一下字节序对编码的影响，字节序分为Big Endian字节序和Little Endian字节序。不同的处理器可能不一样。所以，传输时需要告诉处理器当时的编码字节序。对于前者而言，高位字节存在低地址，低字节存于高地址；后者相反。例如，0X03AB,

Big Endian字节序是

0000: 0 3

0001: AB

Little Endian字节序是

0000: AB

0001: 0 3

 

2.2 编码识别

·        UNICODE

根据前几个字节可以判断UNICODE字符集的各种编码，叫做Byte Order Mask方法BOM：

UTF-8: EFBBBF (符合UTF-8格式，请看上面。但没有含义在UCS即UNICODE中)

UTF-16 Big Endian：FEFF (没有含义在UCS-2中)

UTF-16 Little Endian：FFFE (没有含义在UCS-2中)

UTF-32 Big Endian：0000FEFF (没有含义在UCS-4中)

UTF-32 Little Endian：FFFE0000 (没有含义在UCS-4中)

·        GB2312

      高字节和低字节的第1位都是1。

·         BIG5，GBK&GB18030

高字节的第1位为1。操作系统有默认的编码，常为GBK，可以下载别的并升级。通过判断高字节的第1位从而知道是ASCII或者汉字编码。

 

3.      编程：各字符集编码的读取

注意，下面的例子都会用到这个文件，读取这个文件。在Encodeing 选项中可以选择ASCII编码、UTF-8、UNICODE Big Endian、UNICODE Little Endian。其中，ASCII编码包括：ASCII、ISO-8859-1、GB2312、BIG5、GBK等在ASCII基础上扩展的编码。当选用ASCII编码保存时，系统会调用默认的一种ASCII编码方式，一般的中文系统使用GB2312或GBK。可以通过更改控制面板中的语言选项更改。

 

 

3.1 读取 ASCII 编码

选择ASCII编码保存文件，文件内容是：您好, Ye Ming!

C++程序读取并显示如下：

FILE *myfile=fopen("CharsetExample.txt","rb");

            char a[100];

            fgets(a,100,myfile);

            printf("字节数=%d\n",strlen(a));

            printf("16进制值=");

            for(int i=0;i<strlen(a);i++)

                        printf("%hhx\t",a[i]);

            printf("\n字符串输出=%s\n",a);

 

结果输出：

字节数=13

16进制值=c4 fa ba c3 2c 59 65 20 4d 69 6e 67 21

字符串输出=您好，Ye Ming！

您=c4fa, 好=bac3，其它只占一个字节。printf函数发现字节的第1位是1时，会继续联合下一个字节按照默认的ASCII编码如GB2312显示汉字。

 

为了测试一下系统能否显示繁体中文字，将文本更改为： 案與產品

保存为ASCII编码，然后运行程序。结果可以显示出来，说明系统用GBK或BIG5解码了。在控制面板把BIG5去掉，还能正常显示，说明系统默认的是GBK解码。

注解 1 ：文本是按字节读，二进制是按逻辑单位读；这个例子用二进制读和用文本读的结果是一样的，因为逻辑单位char是1个字节的。

 

3.2 读取 UTF-8 编码

选择UTF-8编码保存文件，文件内容是：您好, Ye Ming!

C++程序读取并显示如下：

            FILE *myfile=fopen("CharsetExample.txt","rb");

            char a[100];

            fgets(a,100,myfile);

            printf("字节数=%d\n",strlen(a));

            printf("16进制值=");

            for(int i=0;i<strlen(a);i++)

                        printf("%hhx\t",a[i]);

            printf("\n字符串输出=%s\n",&a[3]);

 

结果输出：

字节数=18

16进制值= ef bb bf e6 82 a8 e5 a5 bd 2c 59 65 20 4d 69 6e 67 21

字符串输出=乱码，Beijing！

其中，ef bb bf 是UTF-8的头标识；您=e6 82 a8，好=e5 a5 bd。

其他是单字节的ASCII码。

输出字符串时要去掉前三个字节。但是，还是出现了乱码!

之所以出现乱码，是因为系统按默认的GB2312去解UTF-8的码，所以在库里找不到或找不对对应的汉字，所以出现3个乱码，因为按两两组合所以有3个乱码。

 

3.3 读取 UTF-16 Big Endian

选择UTF-8编码保存文件，文件内容是：您好, Ye Ming!

C++程序读取并显示如下：

 

FILE *myfile=fopen("CharsetExample.txt","rb");

            char a[100];

            fgets(a,100,myfile);

            printf("字节数=%d\n",strlen(a));

            printf("16进制值=");

            for(int i=0;i<strlen(a);i++)

                        printf("%hhx\t",a[i]);

            printf("\n字符串输出=%s\n",&a[2]);

结果输出：

字节数=6

16进制值= fe ff 60 a8 59 7d

字符串输出=三个符号

其中，fe ff 是UTF-16 Big Endian的头标识；60是可以输出的，a859输出乱码，7d是可以输出的。输出字符串时要去掉前两个字节。

 

理论上字节数应该是2+11*2=24。可是，输出为什么只有6呢？在UTF-16中，每个字符都用两个字节表示，而ASCII符号只用一个字节，高位用0表示，所以，当遇到0后，strlen认为串结束了。这就是UTF-16的缺点，前面提到过。

将程序的一句更改后：

for(int i=0;i<24;i++)

16进制值= fe ff 60 a8 59 7d 0 2c 0 59……

同样，字符串仍然无法显示。

 

3.4 读取 UTF-16 Little Endian

文本文件用UTF-16 Little Endian编码时，其输出结果是：

16进制值= ff fe a8 60 7d 59 2c 0 59 0 ……

 

4.      编程：各字符集编码的显示

4.1 直接显示

由于中文系统默认的编码是中文编码，一般是GBK。所以，ASCII编码的显示没有问题。但是，遇到UNICODE编码就会有问题了，如上面的例子，显示会出现乱码。

接下来本文介绍一种读取UNICODE文件并正确显示中文的方法。

4.1.1 文件编码为 UNICODE Big Endian

本件保存为UNICODE Big Endian，文本=您好, Ye Ming!

·        错误：按文本方式读

读文本程序如下：

FILE *myfile;

            wchar_t *name=L"CharsetExample.txt";

            myfile=_wfopen(name,L"rt");

            fseek(myfile,0,0);

            wchar_t buffw[100];

            fgetws(buffw,100,myfile);

            printf("字节数=%d\n",wcslen(buffw));

            printf("16进制值=");

            for(int i=0;i<wcslen(buffw);i++)

            printf("%hhx\t",buffw[i]);

//设置本地化信息，.936是简体中文的Code Page。wcout需要依靠它决定将宽字符按什么编码显示

            setlocale(LC_ALL, ".936");

            printf("\n字符串输出=");

   wcout<<buffw+1<<endl;         

结果如下：

字节数=6

16进制值= fe ff 60 a8 59 7d

字符串输出=’”Y}

文本是按UNICODE编码的，每个字符是两字节，ASCII字符高位用0代替。按文本方式打开文件读时，是按字节的读写，一个字节就存进了两个字节大小的结构wchar_t中。遇到0时，它认为文件已经结束，停止操作。

·        正确：按二进制方式读

读文本程序如下：

   将myfile=_wfopen(name,L"rt")改为myfile=_wfopen(name,L"rb");

结果如下：

 字节数=12

16进制值= fffe a860 7d59 2c00 5900….

字符串输出=乱码

这一次二进制结果是对的，但是，为什么还是乱码呢？问题出在wcout函数上，x86是按照Little Endian字节序处理数据的，它将2c00处理了而不是002c。我们看一下如果文本保存为UNICODE Little Endian, 会怎么样?

 

4.1.2 文件编码为 UNICODE Little Endian

本件保存为UNICODE Little Endian，文本=您好, Ye Ming!

·         错误：按文本方式读

基本同上，故略。

·         正确：按二进制方式读

   将myfile=_wfopen(name,L"rt")改为myfile=_wfopen(name,L"rb");

结果如下：

字节数=12

16进制值= feff 60a8 597d 2c 59….

字符串输出=您好, Ye Ming!

输出正确，^_^。

4.1.3 文件编码为 UTF-8

对于UTF-8而言，UTF-8的编码其实不属于宽字符，它还是MBCS。wcout函数只能显示宽字符，不能够正确显示它的编码，所以输出为乱码或空。

 

4.2   编码转换后显示

4.2.1 文件编码为 UNICODE Big Endian

由于字节序的问题，需要转换成Little Endian 才能正确显示，因为x86系列用的是Little Endian。转换后，请用下面小节的方法显示。

 

4.2.2 文件编码为 UNICODE Little Endian

读文件程序如下：

            FILE *myfile;

            wchar_t *name=L"CharsetExample.txt";

            myfile=_wfopen(name,L"rb");

            fseek(myfile,0,0);

            wchar_t buffw[100];

            fgetws(buffw,100,myfile);

            printf("字节数=%d\n",wcslen(buffw));

            printf("16进制值=");

            for(int i=0;i<wcslen(buffw);i++)

                        printf("%hhx\t",buffw[i]);

//宽字符转换成多字节，第一个参数是Code Page，windows定义了若干Code Page，用来处理不同语言编码的。CP_ACP是ASCII编码，这里主要是求出转换后的字节数。Buffw+1主要是去掉头标记 feff。

UNICODE à ASCII 编码

int len = WideCharToMultiByte( CP_ACP, 0, buffw+1, wcslen(buffw+1), NULL, NULL, NULL, NULL );

            LPSTR lpsz = new CHAR[len+1];

            //下面才是真正的转换。

WideCharToMultiByte( CP_ACP, 0, buffw+1, wcslen(buffw+1), lpsz, len, NULL,NULL );

            printf("%d",len);

            lpsz[len]='\0';

      printf("\n%s\n",lpsz);

 

      结果如下：

      字节数=12

   16进制值=feff 60a8 597d 2c 59….

字符串输出=您好, Ye Ming!

      转换完后，系统函数printf会按照系统默认编码显示出来。

 

4.2.3 文件编码为 UTF-8

文件保存为UTF-8，有两种情况：

·        错误：按宽字符存取

程序如下：

FILE *myfile;

            wchar_t *name=L"CharsetExample.txt";

            myfile=_wfopen(name,L"rb");

            fseek(myfile,3,0);

            wchar_t buffw[100];

            fgetws(buffw,100,myfile);

            printf("字节数=%d\n",wcslen(buffw));

            printf("16进制值=");

            for(int i=0;i<wcslen(buffw);i++)

                        printf("%hhx\t",buffw[i]);

           

…………….

结果如下：

字节数=7

      16进制值=82e6 e5a8 bda5 592c 2065 694d 676e

    

可以看出，16进制值缺了21，这就是感叹号的ASCII值。当以fgetws读取文件时，21落单了，所以不能读进wchar_t。

 

·        正确：按字节存取

程序如下：

FILE *myfile;

            wchar_t *name=L"CharsetExample.txt";

            myfile=_wfopen(name,L"rb");

            fseek(myfile,3,0);

            char buff[100];

            //取得所有UTF-8字节

            fgets(buff,100,myfile);

            printf("字节数=%d\n",strlen(buff));

            printf("16进制值=");

            for(int i=0;i<strlen(buff);i++)

                        printf("%hhx\t",buff[i]);

 

第一步， UTF-8 à UNICODE

由于从UTF-8不能直接转换为ASCII编码，必须以UNICODE为跳板；这里用到参数CP_UTF8，因为我们是将UTF-8转换为UNICODE，注意：WideChar在本函数中指的肯定是UNICODE。

            int num=MultiByteToWideChar(CP_UTF8,NULL,buff,-1,NULL,NULL);

            wchar_t *buffw2=new wchar_t[num];

            MultiByteToWideChar(CP_UTF8,NULL,buff,-1,buffw2,num);

 

第二步， UNICODE à ASCII 编码

            这个函数跟之前用过了。

int len = WideCharToMultiByte( CP_ACP, 0, buffw2, num, NULL, NULL, NULL, NULL );

            LPSTR lpsz = new CHAR[len+1];

            WideCharToMultiByte( CP_ACP, 0, buffw2, num, lpsz, len, NULL, NULL );

            lpsz[len]='\0';

            printf("\n字符串输出=");

      printf("%s\n",lpsz);

 

结果如下：

字节数=15

      16进制值=e6 82 a8 e5 a5 bd 2c 59 65 20 4d 69 6e 67 21

      字符串输出=您好, Ye Ming!

结果正确，*_*。

 

4.3 转换编码的另外一种方法

·         mbstowcs

          char *ccname="我们";

            wchar_t * wwname=new wchar_t[2];

            //依赖于Locale而不是Code Page

            setlocale(LC_CTYPE,"chs");

            mbstowcs(wwname,ccname,2);

            wcout<<wwname<<endl;

 

·         wcstombs

wchar_t *wname=L"叶明";

            char * cname=new char[4];

            setlocale(LC_TIME,"chs");

            wcout<<wname<<endl;

            wcstombs(cname,wname,4);

            printf("%s\n",cname);

 

5.     思考字符集编码对软件的影响

请参考本人另外一篇文章： UNICODE 编码对软件编程的影响。

 

6.    常用参数

   ·        ASCII码参照表

 

•  Code Page 参数

     下面是部分的Code Page:

       CP0 ASCII

       CP932 Shift-JIS

       CP936 GBK

       CP950 Big5 

       CP20936 GB2312

       CP65001 UTF-8

       CP65000 UTF-7

• Locale 参数

   由于国家和本地习惯的不同，在处理文字、日期、数字、货币格式等问题都会有所不同，Locale就是用来解决这个问题。

C语言的Locale定义，分为以下几类：

     LC_ALL：代表所有的locale

     LC_CTYPE：用来处理文字编码

     LC_MESSAGES：信息的显示，你可能会在这样一个目录看到大量的mo文件

     LC_TIME：时间格式

     LC_NUMERIC：数字格式

     LC_MONETARY：货币格式

     LC_COLLATE：字母顺序和特殊字符的比较

  其中比较重要的是：

  字符编码LC_CTYPE和本地化的信息显示LC_MESSAGES 。

  设置Locale举例如下：

    setLocale(LC_ALL, "chs")

  值可取下面值：

    zh_CN.utf8

    chs

    Chinese-simplified

    ZHI

   .936