【原】UCS-2和UTF-8的互相转换

我们都知道对于UNICODE来说，UCS-2是内码，而UTF-8则是它的实现方式。每一个字节都有8个位，而对于UTF-8来说，每一个字节的前两位尤为重要，按照前两位的不同，一共有四种排列组合：00xxxxxx，01xxxxxx，10xxxxxx，11xxxxxx。

按照UTF-8标准，

（1）所有以0开始的字节，都与原来的ASCII码兼容，也就是说，0xxxxxxx不需要额外转换，就是我们平时用的ASCII码。

（2）所有以10开始的字节，都不是每个UNICODE的第一个字节，都是紧跟着前一位。例如：10110101，这个字节不可以单独解析，必须通过前一个字节来解析，如果前一个也是10开头，就继续前嗍。

（3）所有以11开始的字节，都表示是UNICODE的第一个字节，而且后面紧跟着若干个以10开头的字节。如果是110xxxxx（就是最左边的0的左边有2个1），代表后面还有1个10xxxxxx；如果是1110xxxx（就是最左边的0的左边有3个1），代表后面还有2个10xxxxxx；以此类推，一直到1111110x。

具体的表格如下：

1字节 0xxxxxxx
2字节 110xxxxx 10xxxxxx
3字节 1110xxxx 10xxxxxx 10xxxxxx
4字节 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
5字节 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
6字节 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

（很明显，以11开头的，最左边的0左边有多少个1，那这个UCS的UTF-8的表示长度就有多少个字节）

上面是用6个字节，最多可以表示2 ^ 31个的字符，实际上，只有UCS-4才有这么多的字符，对于UCS-2，仅仅有2 ^ 16个字符，只需要三个字节就可以，也就是说，只需要用到下面的格式：

1字节 0xxxxxxx
2字节 110xxxxx 10xxxxxx
3字节 1110xxxx 10xxxxxx 10xxxxxx

大家可以试一下下面的program，来看看UTF-8的每个字节。

package com.ray.utf8;

import java.io.UnsupportedEncodingException;

public class UTF8Tester {
	
	private static String toBin(int n) {
		StringBuilder b = new StringBuilder();
		if (n < 0) n += 256;
		for (int i = 7; i >= 0; i--) {
			if (1 == ((n >> i) & 1)) {
				b.append('1');
			} else {
				b.append('0');
			}
		}
		return b.toString();
	}
	
	private static String HEX = "0123456789ABCDEF";
	private static String toHex(int n) {
		StringBuilder b = new StringBuilder();
		if (n < 0) n += 256;
		b.append(HEX.charAt(n >> 4));
		b.append(HEX.charAt(n & 0x0F));
		return b.toString();
	}
	
	private static void printUTF8(char ch) throws UnsupportedEncodingException {
		String unicode = toHex(ch >> 8) + toHex(ch & 0xFF);
		String unicodeBin = toBin(ch >> 8) + ' ' + toBin(ch & 0xFF);
		
		String s = "" + ch;
		byte[] b = s.getBytes("UTF-8");
		String hex = "";
		for (int i = 0; i < b.length; i++) {
			hex += toHex((int) b[i]);
			hex += " ";
		}
		String bin = "";
		for (int i = 0; i < b.length; i++) {
			bin += toBin((int) b[i]);
			bin += " ";
		}
		String sf = String.format("U+%s %s : %-8s : %s", unicode, unicodeBin, hex.trim(), bin.trim());
		System.out.println(sf);
	}
	
	public static void main(String[] args) throws Exception {
		printUTF8('\u002A');
		printUTF8('\u012A');
		printUTF8('\u012B');
		printUTF8('\u052C');
		printUTF8('\u013C');
		printUTF8('\uAA2A');
		printUTF8('\uFDFD');
	}

}

输出：
U+002A 00000000 00101010 : 2A       : 00101010
U+012A 00000001 00101010 : C4 AA    : 11000100 10101010
U+012B 00000001 00101011 : C4 AB    : 11000100 10101011
U+052C 00000101 00101100 : D4 AC    : 11010100 10101100
U+013C 00000001 00111100 : C4 BC    : 11000100 10111100
U+AA2A 10101010 00101010 : EA A8 AA : 11101010 10101000 10101010
U+FDFD 11111101 11111101 : EF B7 BD : 11101111 10110111 10111101


UCS-2和UTF-8的转换，只涉及到位运算，不需要像GBK般需要查找代码表，所以转换效率很高。

先来说说UTF-8转UCS-2：

（1）对于以0开始的字节，直接在前面部补一个0的字节凑成2个字节（即0xxxxxxx ==> 00000000 0xxxxxxxx）；
（2）对于以110开始（110xxxxx）的字节，把后面紧跟着的一个10xxxxxx拿过来，首先在高位字节的左边补5个零，然后把11个“x”放在右边（即110xxxxx 10yyyyyy ==> 00000xxx xxyyyyyy）；
（3）对于以1110开始（1110xxxx）的字节，把后面紧跟着的两个10xxxxxx拿过来，数一下，一共有16个“x”，没错，就是把这16个“x”组成两个字节（即1110xxxx 10yyyyyy 10zzzzzz ==> xxxxyyyy yyzzzzzz）。

在来说说UCS-2转UTF-8：

（1）对于不大于0x007F（即00000000 01111111）的，直接把它转成一个字节，变成ASCII；
（2）对于不大于0x07FF（即00000111 11111111）的，转换成两个字节，转换的时候把右边的11位分别放到110xxxxx 10yyyyyy里边，即00000aaa bbbbbbbb ==> 110aaabb 10bbbbbb
（3）剩下的回转换成三个字节，转换的时候也是把16个位分别填写到那三个字节里面，即aaaaaaaa bbbbbbbb ==> 1110aaaa 10aaaabb 10bbcccccc

下面是转换的实现代码：

package com.ray.utf8;

import java.io.ByteArrayOutputStream;
import java.io.UnsupportedEncodingException;

public class Utf8Utils {

	private final static byte B_10000000 = 128 - 256;
	private final static byte B_11000000 = 192 - 256;
	private final static byte B_11100000 = 224 - 256;
	private final static byte B_11110000 = 240 - 256;
	private final static byte B_00011100 = 28;
	private final static byte B_00000011 = 3;
	private final static byte B_00111111 = 63;
	private final static byte B_00001111 = 15;
	private final static byte B_00111100 = 60;
	
	/** Convert from UTF8 bytes to UNICODE character */
	public static char[] toUCS2(byte[] utf8Bytes) {
		CharList charList = new CharList();
		byte b2 = 0, b3 = 0;
		int ub1 = 0, ub2 = 0;
		
		for (int i = 0; i < utf8Bytes.length; i++) {
			byte b = utf8Bytes[i];
			if (isNotHead(b)) {
				// start with 10xxxxxx, skip it.
				continue;
			} else if (b > 0) {
				// 1 byte, ASCII
				charList.add((char) b);
			} else if ((b & B_11110000) == B_11110000) {
				// UCS-4, here we skip it
				continue;
			} else if ((b & B_11100000) == B_11100000) {
				// 3 bytes
				b2 = utf8Bytes[i+1];
				if (!isNotHead(b2)) continue;
				i++;
				b3 = utf8Bytes[i+1];
				if (!isNotHead(b3)) continue;
				i++;
				ub1 = ((b & B_00001111) << 4) + ((b2 & B_00111100) >> 2);
				ub2 = ((b2 & B_00000011) << 6) + ((b3 & B_00111111));
				charList.add(makeChar(ub1, ub2));
			} else {
				// 2 bytes
				b2 = utf8Bytes[i+1];
				if (!isNotHead(b2)) continue;
				i++;
				ub1 = (b & B_00011100) >> 2;
				ub2 = ((b & B_00000011) << 6) + (b2 & B_00111111);
				charList.add(makeChar(ub1, ub2));
			}
		}
		
		return charList.toArray();
	}
	
	private static boolean isNotHead(byte b) {
		return (b & B_11000000) == B_10000000;
	}
	
	private static char makeChar(int b1, int b2) {
		return (char) ((b1 << 8) + b2);
	}
	
	public static byte[] fromUCS2(char[] ucs2Array) {
		ByteArrayOutputStream baos = new ByteArrayOutputStream();
		for (int i = 0; i < ucs2Array.length; i++) {
			char ch = ucs2Array[i];
			if (ch <= 0x007F) {
				baos.write(ch);
			} else if (ch <= 0x07FF) {
				int ub1 = ch >> 8;
				int ub2 = ch & 0xFF;
				int b1 = B_11000000 + (ub1 << 2) +  (ub2 >> 6);
				int b2 = B_10000000 + (ub2 & B_00111111);
				baos.write(b1);
				baos.write(b2);
			} else {
				int ub1 = ch >> 8;
				int ub2 = ch & 0xFF;
				int b1 = B_11100000 + (ub1 >> 4);
				int b2 = B_10000000 + ((ub1 & B_00001111) << 2) + (ub2 >> 6);
				int b3 = B_10000000 + (ub2 & B_00111111);
				baos.write(b1);
				baos.write(b2);
				baos.write(b3);
			}
		}
		return baos.toByteArray();
	}
	
	private static class CharList {
		private char[] data = null;
		private int used = 0;
		public void add(char c) {
			if (data == null) {
				data = new char[16];
			} else if (used >= data.length) {
				char[] temp = new char[data.length * 2];
				System.arraycopy(data, 0, temp, 0, used);
				data = temp;
			}
			data[used++] = c;
		}
		public char[] toArray() {
			char[] chars = new char[used];
			System.arraycopy(data, 0, chars, 0, used);
			return chars;
		}
	}
	
	private static void assert1(String s) throws UnsupportedEncodingException {
		byte[] b = s.getBytes("utf-8");
		char[] c = toUCS2(b);
		if (!s.equals(new String(c))) {
			throw new RuntimeException("Can not pass assert1 for: " + s);
		}
	}
	
	private static void assert2(String s) throws UnsupportedEncodingException {
		byte[] b = s.getBytes("utf-8");
		byte[] b2 = fromUCS2(s.toCharArray());
		if (b.length == b2.length) {
			int i;
			for (i = 0; i < b.length; i++) {
				if (b[i] != b2[i]) {
					break;
				}
			}
			if (i == b.length) {
				return;
			}
		}
		throw new RuntimeException("Can not pass assert2 for: " + s);
	}
	
	public static void main(String[] args) throws Exception {
		assert1("test");
		assert1("中文测试");
		assert1("A中V文c测d试E");
		assert1("\u052CA\u052CBc测");
		
		assert2("test");
		assert2("中文测试");
		assert2("A中V文c测d试E");
		assert2("\u052CA\u052CBc测\u007F\u07FF");
		
		System.out.println("pass");
	}

}