《C实现UTF-8编码的字符串拆分成单字》由会员分享，可在线阅读，更多相关《C实现UTF-8编码的字符串拆分成单字（3页珍藏版）》请在金锄头文库上搜索。
1、一、字符编码简介1. ASCII 码在计算机内部，所有的信息最终都表示为一个二进制的字符串。每一个二进制位（bit）有0和1两种状态，因此八个二进制位就可以组合出256 种状态，这被称为一个字节（byte） 。也就是说，一个字节一共可以用来表示256种不同的状态，每一个状态对应一个符号，就是256个符号，从0000000 到11111111 。上个世纪60年代，美国制定了一套字符编码，对英语字符与二进制位之间的关系，做了统一规定。这被称为 ASCII 码，一直沿用至今。ASCII 码一共规定了 128个字符的编码，比如空格“SPACE”是32（二进制00100000） ，大写的字母 A 是65
2、（二进制01000001） 。这128个符号（包括32个不能打印出来的控制符号） ，只占用了一个字节的后面7位，最前面的1位统一规定为0。2. Unicode英语用128 个符号编码就够了，但是用来表示其他语言，128 个符号是不够的。因此，很多欧洲国家发明了很多非 ASCII 码，同样用一个字节，用最高位为1的区间（既128255）来扩展原来的 ASCII 码，其中一种比较有名的就是 IBM 字符编码。这样一来，这些欧洲国家使用的编码体系，可以表示最多256个符号。但是，这里又出现了新的问题。不同的国家有不同的字母，因此，哪怕它们都使用256个符号的编码方式，代表的字母却不一样。但是不管怎样
3、，所有这些编码方式中，0 127表示的符号是一样的，不一样的只是128 255的这一段。至于亚洲国家的文字，使用的符号就更多了，汉字就多达10万左右。一个字节只能表示256种符号，肯定是不够的，就必须使用多个字节表达一个符号。比如，简体中文常见的编码方式是 GB2312，使用两个字节表示一个汉字，所以理论上最多可以表示256x256=65536个符号。世界上存在着多种编码方式，同一个二进制数字可以被解释成不同的符号。因此，要想打开一个文本文件，就必须知道它的编码方式，否则用错误的编码方式解读，就会出现乱码。为什么电子邮件常常出现乱码？就是因为发信人和收信人使用的编码方式不一样。可以想象，如果有
4、一种编码，将世界上所有的符号都纳入其中。每一个符号都给予一个独一无二的编码，那么乱码问题就会消失。这就是 Unicode，就像它的名字都表示的，这是一种所有符号的编码。Unicode 当然是一个很大的集合，现在的规模可以容纳100多万个符号。每个符号的编码都不一样。需要注意的是，Unicode 只是一个符号集，它只规定了符号的二进制代码，却没有规定这个二进制代码应该如何存储。3. UTF-8互联网的普及，强烈要求出现一种统一的编码方式。UTF-8就是在互联网上使用最广的一种 unicode 的实现方式。其他实现方式还包括 UTF-16和 UTF-32，不过在互联网上基本不用。重复一遍，这里的关
5、系是，UTF-8是 Unicode 的实现方式之一。UTF-8最大的一个特点，就是它是一种变长的编码方式。它可以使用16个字节表示一个符号，根据不同的符号而变化字节长度。UTF-8的编码规则很简单，只有二条：1）对于单字节的符号，字节的第一位设为0，后面7 位为这个符号的 unicode 码。因此对于英语字母，UTF-8编码和 ASCII 码是相同的。2）对于 n 字节的符号（n1） ，第一个字节的前 n 位都设为1，第 n+1位设为0，后面字节的前两位一律设为10。剩下的没有提及的二进制位，全部为这个符号的 unicode 码。如表： 1字节 0xxxxxxx 2字节 110xxxxx 10
6、xxxxxx 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 因此 UTF-8中可以用来表示字符编码的实际位数最多有 31位，即上表中 x 所表示的位。除去那些控制位（每字节开头的10等） ，这些 x 表示的位与 UNICODE 编码是一一对应的，位高低顺序也相同。 实际将 UNICODE
7、转换为 UTF-8编码时应先去除高位0，然后根据所剩编码的位数决定所需最小的 UTF-8编码位数。 因此那些基本 ASCII 字符集中的字符（ UNICODE 兼容 ASCII）只需要一个字节的 UTF-8编码（7个二进制位）便可以表示。 根据此规则，可以很方便的把 UTF-8编码的字符串拆分成单字集合，代码如下： size_t utf8_to_charset(const std:string &input, std:set &output) std:string ch; for (size_t i = 0, len = 0; i != input.length(); i += len) un
8、signed char byte = (unsigned)inputi; if (byte = 0xFC) / lenght 6 len = 6; else if (byte = 0xF8) len = 5; else if (byte = 0xF0) len = 4; else if (byte = 0xE0) len = 3; else if (byte = 0xC0) len = 2; else len = 1; ch = input.substr(i, len); output.insert(ch); return output.size(); 这里我把字符串转换为单字的集合（set）是因为应用场景的需要，如果需要保持单字在字符串中的位置，可以很方便的用 vector 来替换 set。
