首页 > 其他 > 详细

UTF-8、UTF-16、UTF-32编码的相互转换

时间：2014-02-25 07:12:29      阅读：471      评论：0      收藏：0      [点我收藏+]

最近在考虑写一个可以跨平台的通用字符串类，首先需要搞定的就是编码转换问题。

vs默认保存代码文件，使用的是本地code（中文即GBK，日文即Shift-JIS），也可以使用带BOM的UTF-8。
gcc则是UTF-8，有无BOM均可（源代码的字符集可以由参数-finput-charset指定）。
那么源代码可以采用带BOM的UTF-8来保存。而windows下的unicode是UTF-16编码；linux则使用UTF-8或UTF-32。因此不论在哪种系统里，程序在处理字符串时都需要考虑UTF编码之间的相互转换。

下面直接贴出算法代码。算法上我借鉴了秦建辉（http://blog.csdn.net/jhqin）的UnicodeConverter，只是在外面增加了一些泛型处理，让使用相对简单。

核心算法（来自UnicodeConverter）：

namespace transform
{
    /*
        UTF-32 to UTF-8
    */
 
    inline static size_t utf(uint32 src, uint8* des)
    {
        if (src == 0) return 0;
 
        static const byte PREFIX[] = { 0x00, 0xC0, 0xE0, 0xF0, 0xF8, 0xFC };
        static const uint32 CODE_UP[] =
        {
            0x80,           // U+00000000 - U+0000007F
            0x800,          // U+00000080 - U+000007FF
            0x10000,        // U+00000800 - U+0000FFFF
            0x200000,       // U+00010000 - U+001FFFFF
            0x4000000,      // U+00200000 - U+03FFFFFF
            0x80000000      // U+04000000 - U+7FFFFFFF
        };
 
        size_t i, len = sizeof(CODE_UP) / sizeof(uint32);
        for(i = 0; i < len; ++i)
            if (src < CODE_UP[i]) break;
 
        if (i == len) return 0; // the src is invalid
 
        len = i + 1;
        if (des)
        {
            for(; i > 0; --i)
            {
                des[i] = static_cast<uint8>((src & 0x3F) | 0x80);
                src >>= 6;
            }
            des[0] = static_cast<uint8>(src | PREFIX[len - 1]);
        }
        return len;
    }
 
    /*
        UTF-8 to UTF-32
    */
 
    inline static size_t utf(const uint8* src, uint32& des)
    {
        if (!src || (*src) == 0) return 0;
 
        uint8 b = *(src++);
 
        if (b < 0x80)
        {
            des = b;
            return 1;
        }
 
        if (b < 0xC0 || b > 0xFD) return 0; // the src is invalid
 
        size_t len;
 
        if (b < 0xE0)
        {
            des = b & 0x1F;
            len = 2;
        }
        else
        if (b < 0xF0)
        {
            des = b & 0x0F;
            len = 3;
        }
        else
        if (b < 0xF8)
        {
            des = b & 0x07;
            len = 4;
        }
        else
        if (b < 0xFC)
        {
            des = b & 0x03;
            len = 5;
        }
        else
        {
            des = b & 0x01;
            len = 6;
        }
 
        size_t i = 1;
        for (; i < len; ++i)
        {
            b = *(src++);
            if (b < 0x80 || b > 0xBF) return 0; // the src is invalid
            des = (des << 6) + (b & 0x3F);
        }
        return len;
    }
 
    /*
        UTF-32 to UTF-16
    */
 
    inline static size_t utf(uint32 src, uint16* des)
    {
        if (src == 0) return 0;
 
        if (src <= 0xFFFF)
        {
            if (des) (*des) = static_cast<uint16>(src);
            return 1;
        }
        else
        if (src <= 0xEFFFF)
        {
            if (des)
            {
                des[0] = static_cast<uint16>(0xD800 + (src >> 10) - 0x40);  // high
                des[1] = static_cast<uint16>(0xDC00 + (src & 0x03FF));      // low
            }
            return 2;
        }
        return 0;
    }
 
    /*
        UTF-16 to UTF-32
    */
 
    inline static size_t utf(const uint16* src, uint32& des)
    {
        if (!src || (*src) == 0) return 0;
 
        uint16 w1 = src[0];
        if (w1 >= 0xD800 && w1 <= 0xDFFF)
        {
            if (w1 < 0xDC00)
            {
                uint16 w2 = src[1];
                if (w2 >= 0xDC00 && w2 <= 0xDFFF)
                {
                    des = (w2 & 0x03FF) + (((w1 & 0x03FF) + 0x40) << 10);
                    return 2;
                }
            }
            return 0; // the src is invalid
        }
        else
        {
            des = w1;
            return 1;
        }
    }
}

上面这些算法都是针对单个字符的，并且是UTF-32和UTF-16/8之间的互转。
通过上面的算法，可以得到UTF-16和UTF-8之间的单字符转换算法：

namespace transform
{
    /*
        UTF-16 to UTF-8
    */
 
    inline static size_t utf(uint16 src, uint8* des)
    {
        // make utf-16 to utf-32
        uint32 tmp;
        if (utf(&src, tmp) != 1) return 0;
        // make utf-32 to utf-8
        return utf(tmp, des);
    }
 
    /*
        UTF-8 to UTF-16
    */
 
    inline static size_t utf(const uint8* src, uint16& des)
    {
        // make utf-8 to utf-32
        uint32 tmp;
        size_t len = utf(src, tmp);
        if (len == 0) return 0;
        // make utf-32 to utf-16
        if (utf(tmp, &des) != 1) return 0;
        return len;
    }
}

同样，通过上面的单字符转换算法，可以得到整个字符串的转换算法：

namespace transform
{
    /*
        UTF-X: string to string
    */
 
    template <typename T>
    size_t utf(const uint32* src, T* des)   // UTF-32 to UTF-X(8/16)
    {
        if (!src || (*src) == 0) return 0;
 
        size_t num = 0;
        for(; *src; ++src)
        {
            size_t len = utf(*src, des);
            if (len == 0) break;
            if (des) des += len;
            num += len;
        }
        if (des) (*des) = 0;
        return num;
    }
 
    template <typename T>
    size_t utf(const T* src, uint32* des)   // UTF-X(8/16) to UTF-32
    {
        if (!src || (*src) == 0) return 0;
 
        size_t num = 0;
        while(*src)
        {
            uint32 tmp;
            size_t len = utf(src, tmp);
            if (len == 0) break;
            if (des)
            {
                (*des) = tmp;
                ++des;
            }
            src += len;
            num += 1;
        }
        if (des) (*des) = 0;
        return num;
    }
 
    template <typename T, typename U>
    size_t utf(const T* src, U* des)    // UTF-X(8/16) to UTF-Y(16/8)
    {
        if (!src || (*src) == 0) return 0;
 
        size_t num = 0;
        while(*src)
        {
            // make utf-x to ucs4
            uint32 tmp;
            size_t len = utf(src, tmp);
            if (len == 0) break;
            src += len;
            // make ucs4 to utf-y
            len = utf(tmp, des);
            if (len == 0) break;
            if (des) des += len;
            num += len;
        }
        if (des) (*des) = 0;
        return num;
    }
}

有了这些之后，我们已经可以完整的做UTF-8/16/32之间的相互转换了，但是这些函数的使用仍然不是很方便。
比如我现在想把一个UTF-8字符串转换成一个wchar_t*字符串，我得这样写：

const uint8* c = (uint8*)"こんにちわ、世界";
size_t n = (sizeof(wchar_t) == 2) ?
    transform::utf(c, (uint16*)0) :
    transform::utf(c, (uint32*)0);
wchar_t* s = new wchar_t[n];
if (sizeof(wchar_t) == 2)
    transform::utf(c, (uint16*)s);
else
    transform::utf(c, (uint32*)s);

这显然是一件很抽搐的事情，因为wchar_t在不同的操作系统（windows/linux）里有不同的sizeof长度。
上面的类型强制转换只是为了去适配合适的函数重载，当然我们也可以通过函数名来区分这些函数：比如分别叫utf8_to_utf32之类的。但是这改变不了写if-else来适配长度的问题。

显然这里可以通过泛型来让算法更好用。
首先，需要被抽离出来的就是参数的类型大小和类型本身的依赖关系：

template <size_t X> struct utf_type;
template <>         struct utf_type<1> { typedef uint8  type_t; };
template <>         struct utf_type<2> { typedef uint16 type_t; };
template <>         struct utf_type<4> { typedef uint32 type_t; };

然后，实现一个简单的check算法，这样后面就可以利用SFINAE的技巧筛选出合适的算法函数：

template <size_t X, typename T>
struct check
{
    static const bool value =
        ((sizeof(T) == sizeof(typename utf_type<X>::type_t)) && !is_pointer<T>::value);
};

下面我们需要一个detail，即泛型适配的细节。从上面的算法函数参数中，我们可以很容易的观察出一些规律：
只要是由大向小转换（比如32->16，或16->8）的，其对外接口可以抽象成这两种形式：

type_t utf(T src, U* des)
type_t utf(const T* src, U* des)

而由小向大的转换，则是下面这两种形式：

type_t utf(const T* src, U& des)
type_t utf(const T* src, U* des)

再加上第二个指针参数是可以给一个默认值（空指针）的，因此适配的泛型类就可以写成这样：

template <size_t X, size_t Y, bool = (X > Y), bool = (X != Y)>
struct detail;
 
/*
    UTF-X(32/16) to UTF-Y(16/8)
*/
 
template <size_t X, size_t Y>
struct detail<X, Y, true, true>
{
    typedef typename utf_type<X>::type_t src_t;
    typedef typename utf_type<Y>::type_t des_t;
 
    template <typename T, typename U>
    static typename enable_if<check<X, T>::value && check<Y, U>::value,
    size_t>::type_t utf(T src, U* des)
    {
        return transform::utf((src_t)(src), (des_t*)(des));
    }
 
    template <typename T>
    static typename enable_if<check<X, T>::value,
    size_t>::type_t utf(T src)
    {
        return transform::utf((src_t)(src), (des_t*)(0));
    }
 
    template <typename T, typename U>
    static typename enable_if<check<X, T>::value && check<Y, U>::value,
    size_t>::type_t utf(const T* src, U* des)
    {
        return transform::utf((const src_t*)(src), (des_t*)(des));
    }
 
    template <typename T>
    static typename enable_if<check<X, T>::value,
    size_t>::type_t utf(const T* src)
    {
        return transform::utf((src_t)(src), (des_t*)(0));
    }
};
 
/*
    UTF-X(16/8) to UTF-Y(32/16)
*/
 
template <size_t X, size_t Y>
struct detail<X, Y, false, true>
{
    typedef typename utf_type<X>::type_t src_t;
    typedef typename utf_type<Y>::type_t des_t;
 
    template <typename T, typename U>
    static typename enable_if<check<X, T>::value && check<Y, U>::value,
    size_t>::type_t utf(const T* src, U& des)
    {
        des_t tmp; // for disable the warning strict-aliasing from gcc 4.4
        size_t ret = transform::utf((const src_t*)(src), tmp);
        des = tmp;
        return ret;
    }
 
    template <typename T, typename U>
    static typename enable_if<check<X, T>::value && check<Y, U>::value,
    size_t>::type_t utf(const T* src, U* des)
    {
        return transform::utf((const src_t*)(src), (des_t*)(des));
    }
 
    template <typename T>
    static typename enable_if<check<X, T>::value,
    size_t>::type_t utf(const T* src)
    {
        return transform::utf((const src_t*)(src), (des_t*)(0));
    }
};

最后的外敷类收尾就可以相当的简单：

template <typename T, typename U>
struct converter
    : detail<sizeof(T), sizeof(U)>
{};

通过上面的detail，我们也可以很轻松的写出一个通过指定8、16这些数字，来控制选择哪些转换算法的外敷模板。
有了converter，同类型的需求（指UTF-8转wchar_t）就可以变得轻松愉快很多：

const char* c = "こんにちわ、世界";
wstring s;
size_t n; wchar_t w;
while (!!(n = converter<char, wchar_t>::utf(c, w))) // 这里的!!是为了屏蔽gcc的警告
{
    s.push_back(w);
    c += n;
}
FILE* fp = fopen("test_converter.txt", "wb");
fwrite(s.c_str(), sizeof(wchar_t), s.length(), fp);
fclose(fp);

上面这一小段代码是将一段UTF-8的文字逐字符转换为wchar_t，并一个个push_back到wstring里，最后把转换完毕的字符串输出到test_converter.txt里。

完整代码请参考：
https://code.google.com/p/nixy/source/browse/trunk/nixycore/string/transform.h
https://code.google.com/p/nixy/source/browse/trunk/nixycore/string/converter.h

更多内容请访问：http://darkc.at

UTF-8、UTF-16、UTF-32编码的相互转换

原文：http://blog.csdn.net/markl22222/article/details/19770505
踩
(0)
赞
(0)
   
举报
评论 一句话评论（0）
分享档案
更多>
2021年09月23日 (328)
2021年09月24日 (313)
2021年09月17日 (191)
2021年09月15日 (369)
2021年09月16日 (411)
2021年09月13日 (439)
2021年09月11日 (398)
2021年09月12日 (393)
2021年09月10日 (160)
2021年09月08日 (222)
最新文章
更多>
教程昨日排行
更多>
友情链接
汇智网   PHP教程   插件网  
关于我们 - 联系我们 - 留言反馈 - 联系我们:wmxa8@hotmail.com
© 2014 bubuko.com 版权所有
打开技术之扣，分享程序人生！