《简述UTF-8编码原理》由会员分享，可在线阅读，更多相关《简述UTF-8编码原理（3页珍藏版）》请在金锄头文库上搜索。
1、简述 UTF8 编码原理系统自带的记事本有读写 UTF8 文本文件的功能，我想在自编的记事本中也加入这个功能，但在网上查找了一个钟头，竟然找不到用 VB 编写的代码，看来，天降大任于斯人也，大概要由我来开这个头了。于是我在网上狂查 UTF8 的文章，恶补这方面的知识，并且还真的获益非浅，起码从七窍通六窍一窍不通到七窍通一窍略知一二了，呵呵。当我做完最后一次试验时，长长地叹了一口气，美美地伸了一个懒腰，呵呵，真爽啊，一天的时间终于没有白费！这也许就是编程的乐趣吧，当看到程序按照自己的愿望运行时，各位哥们姐们，你们的心情一定也与我是一样的，无比舒畅。下面我先简单讲述一下 UTF8 编码的有关知识，
2、并且只讲与我编写的读写UTF8 文本代码有关的知识（如有谬误之处请各位兄弟指正），详细的理论请各位自己找专业文章看看。UTF-8 编码字符理论上可以最多到 6 个字节长，但目前全世界的所有文字和符号种类加起来也只要编到 4 个字节长就够了。UTF-8 是以 8 位（即 1 个字节）为单元对原始码进行编码（注意一点：这里所讲的原始码都是指 Unicode 码），并规定：多字节码（2 个字节以上才称为多字节）以转换后第 1 个字节起头的连续“1”的数目（这些连续“1”称为标记位），表示转换成几个字节：“110”连续两个“1”，表示转换结果为 2个字节，“1110”表示 3 个字节，而“11110”
3、则表示 4 个字节跟随在标记位之后的“0”，其作用是分隔标记位和字符码位。第 2第 4 个字节的起头两个位固定设置为“10”，也作为标记，剩下的 6 个位才作为字符码位使用。这样，2 字节 UTF-8 码剩下 11 个字符码位，可用以转换 008007FF 的原始字符码，3 字节剩下 16 个字符码位，可用以转换 0800FFFF 的原始字符码，由此类推。编码方式的模板如下：原始码（16 进制）UTF8 编码（二进制）-0000 - 007F 0xxxxxxx 0080 - 07FF 110xxxxx 10xxxxxx 0800 - FFFF 1110xxxx 10xxxxxx 10xxxxx
4、x -模板中的“x”表示字符码。VB 能识别的 Ascii 码007F，所以在 VB 中，Ascii 码都只能编为 1 个字节的 UTF8 码。汉字的 Unicode 编码范围为 0800FFFF，所以被编为 3 个字节的 UTF8 码。例如“汉”字的 Unicode 编码是 6C49，6C49 在 0800-FFFF 之间，所以要用3 个字节的模板：1110xxxx 10xxxxxx 10xxxxxx。UTF8 文本文件与 Unicode 文本文件类似，在文件的头部也有标记字节，Unicode 文件的标记是 2 个字节：&HFF 和 &HFE，UTF8 文件的标记是 3 个字节：&HEF、&
5、HBB 和 &HBF要写入 UTF-8 编码的文本文件，关键是对汉字编码的处理。我们从上述的汉字编码模板就可以看出，对汉字的处理步骤大致为：第一步：取得汉字的 Unicode 码第二步：将 Unicode 码分解为两个 16 进制数据第三步：将这两个 16 进制数据转换成二进制数据并连接第四步：将二进制数据分解为三个串，第一个串为 4 个位，在前面加上标记位“1110”，第二、三个串均为 6 个位，分别在前面加上“10”标记位第五步：将这三个串分别转换为 10 进制数据并赋值给字节型数组第六步：将字节型数组用二进制法写盘，并且要先在文本头存入三个字节的标记（&HEF、&HBB、&HBF），再将
6、转换好的数据写入要读取 UTF-8 编码的文本文件，对汉字的处理步骤大致为：第一步：用二进制法读入文本数据，赋值给字节型数组，并判断前 3 个字节是否 UTF8 标记，如果是，才进行以下的处理第二步：逐个字节判断是否汉字编码，如果是，就再提取后两个数组元素，共三个数组元素来加以处理第三步：将这三个数据都转换成 16 进制数据第四步：将三个 16 进制数据都转换成二进制数据第五步：从第一个二进制数据中去掉前 4 位，从第二、三个二进制数据中分别去掉前 2 位，并将这三个处理后的二进制数据依次连接，成为一个 16 位的字串第六步：从这个二进制串中分别提取前 8 位和后 8 位转换成两个 10 进制数据，这两个数据就是汉字的 Unicode 码了，将它们赋值给一个字符型变量即可
