常用编码详解（转自VCKBASE）作者：李静南
摘要：本文在对各种资料整理后详细介绍各种常见编码的转换算法。
一、通用字符集（UCS）
ISO/IEC 10646-1 [ISO-10646]定义了一种多于8比特字节的字符集，称作通用字符集（UCS），它包含了世界上大多数可书写的字符系统。 已定义了两种多8比特字节编码，对每一个字符采用四个8比特字节编码的称为UCS-4，对每一个字符采用两个8比特字节编码的称为UCS-2。 它们仅能够对UCS的前64K字符进行编址，超出此范围的其它部分当前还没有分配编址。
二、基本多语言面（BMP）
ISO 10646 定义了一个31位的字符集。 然而，在这巨大的编码空间中，迄今为止只分配了前65534个码位 (0x0000 到 0xFFFD)。 这个UCS的16位子集称为 “基本多语言面 ”(Basic Multilingual Plane, BMP)。
三、Unicode编码
历史上， 有两个独立的， 创立单一字符集的尝试。 一个是国际标准化组织(ISO)的 ISO 10646 项目； 另一个是由(一开始大多是美国的)多语言软件制造商组成的协会组织的 Unicode 项目。幸运的是， 1991年前后, 两个项目的参与者都认识到： 世界不需要两个不同的单一字符集。它们合并双方的工作成果，并为创立一个单一编码表而协同工作。 两个项目仍都存在并独立地公布各自的标准， 但 Unicode 协会和 ISO/IEC JTC1/SC2 都同意保持 Unicode 和 ISO 10646 标准的码表兼容， 并紧密地共同调整任何未来的扩展。Unicode 标准额外定义了许多与字符有关的语义符号学， 一般而言是对于实现高质量的印刷出版系统的更好的参考。
四、UTF-8编码
UCS-2和UCS-4编码很难在许多当前的应用和协议中使用，这些应用和协议假定字符为一个8或7比特的字节。 即使新的可以处理16比特字符的系统，却不能处理UCS-4数据。这种情况导致一种称为UCS转换格式（UTF）的发展，它每一种有不同的特征。 UTF-8(RFC 2279)，使用了8比特字节的所有位，保持全部US-ASCII取值范围的性质：US-ASCII字符用一个8比特字节编码，采用通常的US-ASCII值， 因此，在此值下的任何一个8比特位字节仅仅代表一个US-ASCII字符，而不会为其他字符。它有如下的特性：
1）UTF-8向UCS-4，UCS-2两者中任一个进行相互转换比较容易。
2）多8比特字节序列的第一个8比特字节指明了系列中8比特字节的数目。
3）8比特字节值FE和FF永远不会出现。
4）在8比特字符流中字符边界从哪里开始较容易发现。
UTF-8定义:
在UTF-8中，字符采用1到6个8比特字节的序列进行编码。仅仅一个8比特字节的一个序列中，字节的高位为0，其他的7位用于字符值编码。n （n>1）个8比特字节的一个序列中，初始的8比特字节中高n位为1，接着一位为0，此字节余下的位包含被编码字符值的位。接着的所有8比特字节的 最高位为1，接着下一位为0，余下每个字节6位包含被编码字符的位。
下表总结了这些不同的8比特字节类型格式。字母x指出此位来自于进行编码的UCS-4字符值。
UCS-4范围（16进制） UTF-8 系列（二进制）
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
从UCS-4 到 UTF-8编码规则如下：
1）从字符值和上表第一列中决定需要的8比特字节数目。着重指出的是上表中的行是相互排斥的，也就是说，对于一个给定的UCS-4字符，仅仅有一个有效的编码。
2）按照上表中第二列每行那样准备8比特字节的高位。
3）将UCS字符值的位，从低位起填充在标记为x地方。从UTF8序列中最后一个字节填起，然后剩下的字符值依次放到前一个字节中，如此重复，直到所有标记位x的位都进行了填充。
这里我们仅仅实现Unicode到UTF8的转换，Unicode都是两个字节，定义为:
typedef usigned short WCHAR
// 输出的UTF8编码至多是3个字节。
int UnicodeToUTF8(WCHAR ucs2, unsigned char * buffer)
{
memset(buffer, 0 , 4 );
if (( 0x0000 <= ucs2) && (ucs2 <= 0x007f )) // one char of UTF8
{
buffer[ 0 ] = ( char )ucs2;
return 1 ;
}
if (( 0x0080 <= ucs2) && (ucs2 <= 0x07ff )) // two char of UTF8
{
buffer[ 1 ] = 0x80 | char (ucs2 & 0x003f );
buffer[ 0 ] = 0xc0 | char ((ucs2 >> 6 ) & 0x001f );
return 2 ;
}
if (( 0x0800 <= ucs2) && (ucs2 <= 0xffff )) // three char of UTF8
{
buffer[ 2 ] = 0x80 | char (ucs2 & 0x003f );
buffer[ 1 ] = 0x80 | char ((ucs2 >> 6 ) & 0x003f );
buffer[ 0 ] = 0xe0 | char ((ucs2 >> 12 ) & 0x001f );
return 3 ;
}
return 0 ;
}
理论上，简单的通过用2个0值的8比特字节来扩展每个UCS-2字符，则从UCS-2到UTF-8编码的算法可以从上面得到。然而，从D800到DFFF 间的UCS-2值对（用Unicode说法是代理对），实际上是通过UTF-16来进行UCS-4字符转换，因此需要特别对待：UTF-16转换必须未完 成，先转换到于UCS-4字符，然后按照上面过程进行转换。
从UTF-8到UCS-4解码过程如下：
1）初始化UCS-4字符4个8比特字节的所有位为0。
2）根据序列中8比特字节数和上表中第二列（标记为x位）来决定哪些位编码用于字符值。
3）从编码序列分配位到UCS-4字符。首先从序列最后一个8比特字节的最低位开始，接着向左进行，直到所有标记为x的位完成。如果UTF-8序列长度不大于3个8比特字节，解码过程可以直接赋予UCS-2。
WCHAR UTF8ToUnicode(unsigned char * buffer)
{
WCHAR temp = 0 ;
if (buffer[ 0 ] < 0x80 ) // one char of UTF8
{
temp = buffer[ 0 ];
}
if (( 0xc0 <= buffer[ 0 ]) && (buffer[ 0 ] < 0xe0 )) // two char of UTF8
{
temp = buffer[ 0 ] & 0x1f ;
temp = temp << 6 ;
temp = temp | (buffer[ 1 ] & 0x3f );
}
if (( 0xe0 <= buffer[ 0 ]) && (buffer[ 0 ] < 0xf0 )) // three char of UTF8
{
temp = buffer[ 0 ] & 0x0f ;
temp = temp << 6 ;
temp = temp | (buffer[ 1 ] & 0x3f );
temp = temp << 6 ;
temp = temp | (buffer[ 2 ] & 0x3f );
}
if (( 0x80 <= buffer[ 0 ]) && (buffer[ 0 ] < 0xc0 )) // not the first byte of UTF8 character
return 0xfeff ; // 0xfeff will never appear in usual
return temp; // more than 3-bytes return 0
}
注意：上面解码算法的实际实现应该进行安全保护，以便处理解码无效的系列。例如:实现可能（错误）解码无效的UTF-8系列0xC0 0x80为字符U+0000，它可能导致安全问题或其他问题（比如把0当作数组结束标志）。更详细的算法和公式可以在[FSS_UTF]， [UNICODE] 或[ISO-10646]附录R中找到。
五、UTF-7编码
UTF-7：A Mail-Safe Transformation Format of Unicode(RFC1642)。这是一种使用 7 位 ASCII 码对 Unicode 码进行转换的编码。它的设计目的仍然是为了在只能传递 7 为编码的邮件网关中传递信息。 UTF-7 对英语字母、数字和常见符号直接显示，而对其他符号用修正的 Base64 编码。符号 + 和 - 号控制编码过程的开始和暂停。所以乱码中如果夹有英文单词，并且相伴有 + 号和 - 号，这就有可能是 UTF-7 编码。
协议中定义的转换规则：
1）集合D中的Unicode字符可以直接的编码为ASCII的等值字节。集合O中的字符可以有有选择的的直接编码为ASCII的等值字节，但要记得其中的很多的字符在报头字段是不合法的，或者不能正确的穿过邮件网关。
2）通过在前面加上转换字符"+"，任何一个Unicode序列都可以使用集合B（更改过的base64）中的字符编码。"+"意味着后面的字节将被作为 更改过的BASE64字母表中的元素解析，直到遇到一个不是字母表中的字符为止。这些字符中会包含控制字符，比如回车和换行；因此，一个Unicode转 换序列总是在一行上结束。注释：有两个特殊的情形："+-"表示''+''，"+ …… --"表示有一个真正的''-''字符出现了。多数情况是没有''-''标记结束。
3）空格、tab、回车和换行字符可以直接使用ASCII等价字节表示。
那么我们就可以定义算法了，我们先定义字符集的相关数组：
注：在编码处理时候，我们需要对一个字节判断属于哪类字符，以便确定处理规则，如果简单的使用范围比较的方式，效率很低，我们采用哈希表的思路：建立一个256长的数组，那么对于每一个字节的值，就可以定义一个类型。判断时候，对每个字符都直接取数组的值。typedef unsigned char byte
// 64 characters for base64 coding
byte base64Chars[] = " ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz0123456789+/ " ;
// 8 characters are safe just as base64 characters for MAIL gates
byte safeChars[] = " ''(),-.:? " ;
// 4 characters all means space
byte spaceChars[] = " \t\n\r " ;
//
mask value defined for indentify the type of a byte
#define BASE64 0x01
#define SAFE 0x02
#define SPACE 0x04
byte byteType[ 256 ]; // hash table used for find the type of a byte
bool firstTime = true ; // the first time to use the lib, wait for init the table
#define BASE64 0x01
#define SAFE 0x02
#define SPACE 0x04
byte byteType[ 256 ]; // hash table used for find the type of a byte
bool firstTime = true ; // the first time to use the lib, wait for init the table
// 注：为了解码base64编码部分的字符，需要一个哈希表，对一个base64字符都可以直接得到0-64之间的一个数：UTF-7编码转换时候，是与当前字符是与状态有关的，也就是说：
byte base64Value[128];
这两个哈希表在使用前要初始化：
void initUTF7Tables()
{
byte * s;
if ( ! firstTime)
return ;
// not necessary, but should do it to be robust
memset(byteType, 0 , 256 );
memset(base64Value, 0 , 128 );
for (s = base64Chars; * s != '' \ 0 '' ; s ++ )
{
byteType[ * s] |= BASE64;
base64Value[ * s] = s - base64Chars; // the offset, it is a 6bits value,0-64
}
for (s = safeChars; * s != '' \ 0 '' ; s ++ )
byteType[ * s] |= SAFE;
for (s = spaceChars; * s != '' \ 0 '' ; s ++ )
byteType[ * s] |= SPACE;
firstTime = false ;
}
1）正处于Base64编码状态中
2）正处于直接编码状态中
3）现在UTF-7的缓冲区里，当前的字符是转换开关"+"
所以要定义相关的字段：
在使用规则2进行编码时候，需要使用base64的方法，也就需要2个全局的辅助变量：// the state of current character
#define IN_ASCII 0
#define IN_BASE64 1
#define AFTER_PLUS 2
把一个Unicode字符转化为一个UTF-7序列：返回写到缓冲区里的字节数目，函数影响了state，nbits，bitBuffer三个全局变量。 这里先实现了一个简单的辅助函数，功能是把一个Unicode字符转变后写到提供的缓冲区中，返回写入的字节个数。在开始编码Unicode字符数组中第 一个字符的时候，state，nbits，bitBuffer三个全局变量需要被初始化：int state; // state in which we are working
int nbits; // number of bits in the bit buffer
unsigned long bitBuffer; // used for base64 coding
state = IN_ASCII;
nbits = 0 ;
bitBuffer = 0 ;
int UnicodeToUTF7(WCHAR ucs2, byte * buffer)
{
byte * head = buffer;
int index;
// is an ASCII and is a byte in char set defined
if (((ucs2 & 0xff80 ) == 0 )) && (byteType[( byte )u2] & (BASE64 | SAFE | SPACE)))
{
byte temp = ( byte )ucs2;
if (state == IN_BASE64) // should switch out from base64 coding here
{
if (nbits > 0 ) // if some bits in buffer, then output them
{
index = (bitBuffer << ( 6 - nbits)) & 0x3f ;
* s ++ = base64[index];
}
if ((byteType[temp] & BASE64) || (temp == '' - '' ))
* s ++ = '' - '' ;
state = IN_ASCII;
}
* s ++ = temp;
if (temp == '' + '' )
* s ++ = '' - '' ;
}
else
{
if (state == IN_ASCII)
{
* s ++ = '' + '' ;
state = IN_BASE64; // begins base64 coding here
nbits = 0 ;
bitBuffer = 0 ;
}
bitBuffer <<= 16 ;
bitBuffer |= ucs2;
nbits += 16 ;
while (nbits >= 6 )
{
nbits -= 6 ;
index = (bitBuffer >> nbits) & 0x3f ; // output the high 6 bits
* s ++ = base64[index];
}
}
return (s - head);
}
说明：对于合法的Unicode字符数组，可以通过逐个输入数组中的字符，连续调用上面的函数，得到一个UTF-7字节序列。需要说明的是：最后一个Unicode字符应该是上面三个字节数组中某个字符的等值。
下面，我们实现一个简单的说明函数，功能是：输入一个UTF-7字节，可能得到并返回一个合法Unicode字符；也可能不能得到，比如遇到''+''或者因为还没有完成一个字符的拼装，这时返回一个标志字符0xfeff，这个字符常用来标志Unicode编码。
注：函数影响了state，nbits，bitBuffer三个全局变量。在开始处理第一个字节时候，变量需要被初始化为：
state
=
IN_ASCII;
nbits = 0 ;
bitBuffer = 0 ;
#define RET0 0xfeff
WCHAR UTF7ToUnicode( byte c)
{
if (state == IN_ASCII)
{
if (c == '' + '' )
{
state = AFTER_PLUS;
return RET0;
}
else
return (WCHAR)c;
}
if (state == AFTER_PLUS)
{
if (c == '' - '' )
{
return (WCHAR) '' + '' ;
}
else
{
state = IN_BASE64;
nbits = 0 ;
bitBuffer = 0 ; // it is not necessary
// don''t return yet, continue to the IN_BASE64 mode
}
}
// state == Base64
if (byteType[c] & BASE64)
{
bitBuffer <<= 6 ;
bitBuffer |= base64Value[c];
nbits += 6 ;
if (nbits >= 16 )
{
nbits -= 16 ;
return (WCHAR)((bitBuffer >> nbits) & 0x0000ffff );
}
return RET0;
}
// encount a byte which is not in base64 character set, switch out of base64 coding
state = IN_ASCII;
if (c != '' - '' )
{
return (WCHAR)c;
}
return RET0;
}
nbits = 0 ;
bitBuffer = 0 ;
#define RET0 0xfeff
WCHAR UTF7ToUnicode( byte c)
{
if (state == IN_ASCII)
{
if (c == '' + '' )
{
state = AFTER_PLUS;
return RET0;
}
else
return (WCHAR)c;
}
if (state == AFTER_PLUS)
{
if (c == '' - '' )
{
return (WCHAR) '' + '' ;
}
else
{
state = IN_BASE64;
nbits = 0 ;
bitBuffer = 0 ; // it is not necessary
// don''t return yet, continue to the IN_BASE64 mode
}
}
// state == Base64
if (byteType[c] & BASE64)
{
bitBuffer <<= 6 ;
bitBuffer |= base64Value[c];
nbits += 6 ;
if (nbits >= 16 )
{
nbits -= 16 ;
return (WCHAR)((bitBuffer >> nbits) & 0x0000ffff );
}
return RET0;
}
// encount a byte which is not in base64 character set, switch out of base64 coding
state = IN_ASCII;
if (c != '' - '' )
{
return (WCHAR)c;
}
return RET0;
}
说明：对于一个UTF-7序列，可以通过连续输入字节并调用上面的函数，判断返回值，得到一个Unicode字符数组。
六、GB2312编码中汉字的确定
最早，表示汉字的区位码中，分为94个区，每个区94个汉字，1-15区是西文字符，图形等，16-5为一级汉字，56-87为二级汉字，87区以上为新 字用。而我们在Windows默认的编码，GB2312（1981年国家颁布的《信息交换用汉字编码字符集基本集》）国标码，和区位码的换算为：
国标码 = 区位码 + 2020H
而在汉字在计算机内表示的时候为保证ASCII码和汉字编码的不混淆，又做了一个换算：
汉字机内码 = 国标码 + 8080H
所以，真正的在Windows上的GB2312汉字编码是机内码，从上边的两个公式可以得到的就是：
汉字机内码 = 区位码 + a0a0H
一个汉字的编码最少要a0a0H，因此我们在CString中辨别汉字的时候可以认为：当一个字符的编码大于a0的时候它应该是汉字的一个部分。但是也有 特殊的情况的，不是每个汉字的两个字节编码都是大于a0H的，例如‘镕’的编码是 ‘E946’，后面的部分就不满足大于a0H的条件。
七、Windows下多字节编码和Unicode的转换
Windows提供了API函数，可以把Unicode字符数组转换为GB2312字符串。其中，Unicode数组在传入时候最后一个为0，也就是所谓 的null termidated字符串。在函数内部得到要返回字节串的大小，请求空间，进行真正的转换操作，指针在外部使用后释放，或者在类中加如其他的操作来处 理，比如析构函数中释放。返回值为写到字节串里数目。
int StringEncode::UnicodeToGB2312( char ** dest, const WCHAR * src)
{
char * buffer;
int size = ::WideCharToMultiByte(CP_ACP, 0 , src, - 1 , NULL, 0 , NULL, NULL);
// null termidated wchar''s buffer
buffer = new char [size];
int ret = ::WideCharToMultiByte(CP_ACP, NULL, src, - 1 , buffer, size + 1 , NULL, NULL);
if ( * dest != 0 )
delete * dest;
* dest = buffer;
return ret;
}
注：其中见到有人在使用的时候，申请缓冲区空间时候是申请了(zise + 1)个来，最后一个字节写''\0''，结束字符串。但是在我调试时候发现：系统给的size已经包含了一个写入''\0''的字节，而且最后得到的串 中，''\0''是已经被系统API写入了。（也许我的实验有错误，有待验证）。把Unicode字符数组转换为UTF-8和UTF-7的方法类似，只要 是WideCharToMultiByte函数的第一个表示代码页参数改为CP_UTF7(65000)和CP_UTF8(65001)。
同样道理，把多字节转换为Unicode字符数组，也有相应的函数。和上面的函数类似，可以通过先提供一个空缓冲区而先得到需要的大小，然后开辟空间得到 最后的字符数组。但是考虑到效率，可以适当牺牲一些空间，提供一个足够大的字符数组，数组大小在极端的情况下（全是ASCII）是和字节数组大小一样的。
int StringEncode::Gb2312ToUnicode(WCHAR ** dest, const char * src)
{
int length = strlen(src); // null terminated buffer
WCHAR * buffer = new WCHAR[length + 1 ]; // WCHAR means unsinged short, 2 bytes
// provide enough buffer size for Unicodes
int ret = ::MultiByteToWideChar(CP_ACP, MB_PRECOMPOSED, src, length, buffer, length);
buffer[ret] = 0 ;
if ( * dest != 0 )
delete * dest;
* dest = buffer;
return ret;
}
注：删除以前的缓冲区时候的操作，其实没有必要判断是不是为空，因为删除空指针是没有问题的，因为delete内部提供了这样的机制。
八、URL 解码
用IE发送GET请求的时候，URL是用UTF-8编码的，当对截包数据分析时候就需要对数据解码，下面的函数是一个简单的实现：
CString CTestUrlDlg::UrlToString(CString url)
{
CString str = "" ;
int n = url.GetLength();
url.MakeLower();
BYTE a, b1, b2;
for ( int i = 0 ; i < 3 ) // 后面没有两个字符了，错误
return "" ;
b1 = charToHex( url.GetAt(i + 1 ) );
b1 = (b1 << 4 ) & 0xf0 ;
b2 = charToHex( url.GetAt(i + 2 ) ) & 0x0f ;
a = b1 | b2;
str += a;
i += 2 ;
}
else
{
str += url.GetAt(i);
}
}
return str;
}
static WCHAR UTF8ToUnicode(unsigned char * buf, int & t)
{
WCHAR temp = 0 ;
unsigned char * buffer = buf + t;
if (buffer[ 0 ] < 0x80 ) // one char of UTF8
{
temp = buffer[ 0 ];
t += 1 ;
}
if (( 0xc0 <= buffer[ 0 ]) && (buffer[ 0 ] < 0xe0 )) // two char of UTF8
{
temp = buffer[ 0 ] & 0x1f ;
temp = temp << 6 ;
temp = temp | (buffer[ 1 ] & 0x3f );
t += 2 ;
}
if (( 0xe0 <= buffer[ 0 ]) && (buffer[ 0 ] < 0xf0 )) // three char of UTF8
{
temp = buffer[ 0 ] & 0x0f ;
temp = temp << 6 ;
temp = temp | (buffer[ 1 ] & 0x3f );
temp = temp << 6 ;
temp = temp | (buffer[ 2 ] & 0x3f );
t += 3 ;
}
if (( 0x80 <= buffer[ 0 ]) && (buffer[ 0 ] < 0xc0 )) // not the first byte of UTF8 character
return 0xfeff ; // 0xfeff will never appear in usual
return temp; // more than 3-bytes return 0
}
static unsigned char charToHex( char c)
{
unsigned char d;
if ((c >= '' 0 '' ) && (c <= '' 9 '' ))
d = c - '' 0 '' ;
else if ((c >= '' a '' ) && (c <= '' f '' ))
{
d = c - '' a '' + 10 ;
}
else if ((c >= '' A '' ) && (c <= '' F '' ))
{
d = c - '' A '' + 10 ;
}
else
d = 0 ;
return d;
}
static void UnicodeToGB2312( const WCHAR unicode, char * buffer)
{
// int size = ::WideCharToMultiByte(CP_ACP, 0, unicode, -1, NULL, 0, NULL, NULL);
int ret = ::WideCharToMultiByte(CP_ACP, NULL, & unicode, - 1 , buffer, 3 , NULL, NULL);
}
CString CTestUrlDlg::Uft8ToGB(CString url)
{
CString str = "" ;
char buffer[ 3 ];
WCHAR unicode;
unsigned char * p = (unsigned char * )(LPCTSTR)url;
int n = url.GetLength();
int t = 0 ;
while (t < n)
{
unicode = UTF8ToUnicode(p, t);
UnicodeToGB2312(unicode, buffer);
buffer[ 2 ] = 0 ;
str += buffer;
}
return str;
}
{
CString str = "" ;
int n = url.GetLength();
url.MakeLower();
BYTE a, b1, b2;
for ( int i = 0 ; i < 3 ) // 后面没有两个字符了，错误
return "" ;
b1 = charToHex( url.GetAt(i + 1 ) );
b1 = (b1 << 4 ) & 0xf0 ;
b2 = charToHex( url.GetAt(i + 2 ) ) & 0x0f ;
a = b1 | b2;
str += a;
i += 2 ;
}
else
{
str += url.GetAt(i);
}
}
return str;
}
static WCHAR UTF8ToUnicode(unsigned char * buf, int & t)
{
WCHAR temp = 0 ;
unsigned char * buffer = buf + t;
if (buffer[ 0 ] < 0x80 ) // one char of UTF8
{
temp = buffer[ 0 ];
t += 1 ;
}
if (( 0xc0 <= buffer[ 0 ]) && (buffer[ 0 ] < 0xe0 )) // two char of UTF8
{
temp = buffer[ 0 ] & 0x1f ;
temp = temp << 6 ;
temp = temp | (buffer[ 1 ] & 0x3f );
t += 2 ;
}
if (( 0xe0 <= buffer[ 0 ]) && (buffer[ 0 ] < 0xf0 )) // three char of UTF8
{
temp = buffer[ 0 ] & 0x0f ;
temp = temp << 6 ;
temp = temp | (buffer[ 1 ] & 0x3f );
temp = temp << 6 ;
temp = temp | (buffer[ 2 ] & 0x3f );
t += 3 ;
}
if (( 0x80 <= buffer[ 0 ]) && (buffer[ 0 ] < 0xc0 )) // not the first byte of UTF8 character
return 0xfeff ; // 0xfeff will never appear in usual
return temp; // more than 3-bytes return 0
}
static unsigned char charToHex( char c)
{
unsigned char d;
if ((c >= '' 0 '' ) && (c <= '' 9 '' ))
d = c - '' 0 '' ;
else if ((c >= '' a '' ) && (c <= '' f '' ))
{
d = c - '' a '' + 10 ;
}
else if ((c >= '' A '' ) && (c <= '' F '' ))
{
d = c - '' A '' + 10 ;
}
else
d = 0 ;
return d;
}
static void UnicodeToGB2312( const WCHAR unicode, char * buffer)
{
// int size = ::WideCharToMultiByte(CP_ACP, 0, unicode, -1, NULL, 0, NULL, NULL);
int ret = ::WideCharToMultiByte(CP_ACP, NULL, & unicode, - 1 , buffer, 3 , NULL, NULL);
}
CString CTestUrlDlg::Uft8ToGB(CString url)
{
CString str = "" ;
char buffer[ 3 ];
WCHAR unicode;
unsigned char * p = (unsigned char * )(LPCTSTR)url;
int n = url.GetLength();
int t = 0 ;
while (t < n)
{
unicode = UTF8ToUnicode(p, t);
UnicodeToGB2312(unicode, buffer);
buffer[ 2 ] = 0 ;
str += buffer;
}
return str;
}
示例：
CString str = " /MFC%E8%8B%B1%E6%96%87%E6%89%8B%E5%86%8C.chm " ;
CString ret = UrlToString(str);
ret = Uft8ToGB(ret); // MFC英文手册.chm
九、总结
常见算法还有MIME等，由于篇幅限制，并且网上已经有很多帖子，在此不再赘述。
对于本文，由于个人能力有限，难免有疏漏的地方，还望指教，共同进步。