常用编码详解
本文在對各種資料整理后詳細介紹各種常見編碼的轉(zhuǎn)換算法。
一、通用字符集（UCS）
ISO/IEC 10646-1 [ISO-10646]定義了一種多于8比特字節(jié)的字符集，稱作通用字符集（UCS），它包含了世界上大多數(shù)可書寫的字符系統(tǒng)。已定義了兩種多8比特字節(jié)編碼，對每一個字符采用四個8比特字節(jié)編碼的稱為UCS-4，對每一個字符采用兩個8比特字節(jié)編碼的稱為UCS-2。它們僅能夠?qū)CS的前64K字符進行編址，超出此范圍的其它部分當前還沒有分配編址。
二、基本多語言面（BMP）
ISO 10646 定義了一個31位的字符集。 然而，在這巨大的編碼空間中，迄今為止只分配了前65534個碼位 (0x0000 到 0xFFFD)。 這個UCS的16位子集稱為 “基本多語言面 ”(Basic Multilingual Plane, BMP)。
三、Unicode編碼
歷史上， 有兩個獨立的， 創(chuàng)立單一字符集的嘗試。 一個是國際標準化組織(ISO)的 ISO 10646 項目； 另一個是由(一開始大多是美國的)多語言軟件制造商組成的協(xié)會組織的 Unicode 項目。幸運的是， 1991年前后, 兩個項目的參與者都認識到： 世界不需要兩個不同的單一字符集。它們合并雙方的工作成果，并為創(chuàng)立一個單一編碼表而協(xié)同工作。 兩個項目仍都存在并獨立地公布各自的標準， 但 Unicode 協(xié)會和 ISO/IEC JTC1/SC2 都同意保持 Unicode 和 ISO 10646 標準的碼表兼容， 并緊密地共同調(diào)整任何未來的擴展。Unicode 標準額外定義了許多與字符有關(guān)的語義符號學， 一般而言是對于實現(xiàn)高質(zhì)量的印刷出版系統(tǒng)的更好的參考。
四、UTF-8編碼
UCS-2和UCS-4編碼很難在許多當前的應用和協(xié)議中使用，這些應用和協(xié)議假定字符為一個8或7比特的字節(jié)。即使新的可以處理16比特字符的系統(tǒng)，卻不能處理UCS-4數(shù)據(jù)。這種情況導致一種稱為UCS轉(zhuǎn)換格式（UTF）的發(fā)展，它每一種有不同的特征。 UTF-8(RFC 2279)，使用了8比特字節(jié)的所有位，保持全部US-ASCII取值范圍的性質(zhì)：US-ASCII字符用一個8比特字節(jié)編碼，采用通常的US-ASCII值，因此，在此值下的任何一個8比特位字節(jié)僅僅代表一個US-ASCII字符，而不會為其他字符。它有如下的特性：
1）UTF-8向UCS-4，UCS-2兩者中任一個進行相互轉(zhuǎn)換比較容易。
2）多8比特字節(jié)序列的第一個8比特字節(jié)指明了系列中8比特字節(jié)的數(shù)目。
3）8比特字節(jié)值FE和FF永遠不會出現(xiàn)。
4）在8比特字符流中字符邊界從哪里開始較容易發(fā)現(xiàn)。
UTF-8定義:
在UTF-8中，字符采用1到6個8比特字節(jié)的序列進行編碼。僅僅一個8比特字節(jié)的一個序列中，字節(jié)的高位為0，其他的7位用于字符值編碼。n（n>1）個8比特字節(jié)的一個序列中，初始的8比特字節(jié)中高n位為1，接著一位為0，此字節(jié)余下的位包含被編碼字符值的位。接著的所有8比特字節(jié)的最高位為1，接著下一位為0，余下每個字節(jié)6位包含被編碼字符的位。
下表總結(jié)了這些不同的8比特字節(jié)類型格式。字母x指出此位來自于進行編碼的UCS-4字符值。
? ?UCS-4范圍（16進制）? ???UTF-8 系列（二進制） ? ?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
從UCS-4 到 UTF-8編碼規(guī)則如下：
1）從字符值和上表第一列中決定需要的8比特字節(jié)數(shù)目。著重指出的是上表中的行是相互排斥的，也就是說，對于一個給定的UCS-4字符，僅僅有一個有效的編碼。
2）按照上表中第二列每行那樣準備8比特字節(jié)的高位。
3）將UCS字符值的位，從低位起填充在標記為x地方。從UTF8序列中最后一個字節(jié)填起，然后剩下的字符值依次放到前一個字節(jié)中，如此重復，直到所有標記位x的位都進行了填充。
這里我們僅僅實現(xiàn)Unicode到UTF8的轉(zhuǎn)換，Unicode都是兩個字節(jié)，定義為:
typedef usigned short WCHAR
// 輸出的UTF8編碼至多是3個字節(jié)。
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; }?? 復制代碼
理論上，簡單的通過用2個0值的8比特字節(jié)來擴展每個UCS-2字符，則從UCS-2到UTF-8編碼的算法可以從上面得到。然而，從D800到DFFF間的UCS-2值對（用Unicode說法是代理對），實際上是通過UTF-16來進行UCS-4字符轉(zhuǎn)換，因此需要特別對待：UTF-16轉(zhuǎn)換必須未完成，先轉(zhuǎn)換到于UCS-4字符，然后按照上面過程進行轉(zhuǎn)換。
從UTF-8到UCS-4解碼過程如下：
1）初始化UCS-4字符4個8比特字節(jié)的所有位為0。
2）根據(jù)序列中8比特字節(jié)數(shù)和上表中第二列（標記為x位）來決定哪些位編碼用于字符值。
3）從編碼序列分配位到UCS-4字符。首先從序列最后一個8比特字節(jié)的最低位開始，接著向左進行，直到所有標記為x的位完成。如果UTF-8序列長度不大于3個8比特字節(jié)，解碼過程可以直接賦予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 } 復制代碼
注意：上面解碼算法的實際實現(xiàn)應該進行安全保護，以便處理解碼無效的系列。例如:實現(xiàn)可能（錯誤）解碼無效的UTF-8系列0xC0 0x80為字符U+0000，它可能導致安全問題或其他問題（比如把0當作數(shù)組結(jié)束標志）。更詳細的算法和公式可以在[FSS_UTF]，[UNICODE] 或[ISO-10646]附錄R中找到。
五、UTF-7編碼
UTF-7：A Mail-Safe Transformation Format of Unicode(RFC1642)。這是一種使用 7 位 ASCII 碼對 Unicode 碼進行轉(zhuǎn)換的編碼。它的設計目的仍然是為了在只能傳遞 7 為編碼的郵件網(wǎng)關(guān)中傳遞信息。 UTF-7 對英語字母、數(shù)字和常見符號直接顯示，而對其他符號用修正的 Base64 編碼。符號 + 和 - 號控制編碼過程的開始和暫停。所以亂碼中如果夾有英文單詞，并且相伴有 + 號和 - 號，這就有可能是 UTF-7 編碼。
協(xié)議中定義的轉(zhuǎn)換規(guī)則：
1）集合D中的Unicode字符可以直接的編碼為ASCII的等值字節(jié)。集合O中的字符可以有有選擇的的直接編碼為ASCII的等值字節(jié)，但要記得其中的很多的字符在報頭字段是不合法的，或者不能正確的穿過郵件網(wǎng)關(guān)。
2）通過在前面加上轉(zhuǎn)換字符"+"，任何一個Unicode序列都可以使用集合B（更改過的base64）中的字符編碼。"+"意味著后面的字節(jié)將被作為更改過的BASE64字母表中的元素解析，直到遇到一個不是字母表中的字符為止。這些字符中會包含控制字符，比如回車和換行；因此，一個Unicode轉(zhuǎn)換序列總是在一行上結(jié)束。注釋：有兩個特殊的情形："+-"表示''+''，"+ …… --"表示有一個真正的''-''字符出現(xiàn)了。多數(shù)情況是沒有''-''標記結(jié)束。
3）空格、tab、回車和換行字符可以直接使用ASCII等價字節(jié)表示。
那么我們就可以定義算法了，我們先定義字符集的相關(guān)數(shù)組：
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";? ?
復制代碼
注：在編碼處理時候，我們需要對一個字節(jié)判斷屬于哪類字符，以便確定處理規(guī)則，如果簡單的使用范圍比較的方式，效率很低，我們采用哈希表的思路：建立一個256長的數(shù)組，那么對于每一個字節(jié)的值，就可以定義一個類型。判斷時候，對每個字符都直接取數(shù)組的值。
// 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
// 注：為了解碼base64編碼部分的字符，需要一個哈希表，對一個base64字符都可以直接得到0-64之間的一個數(shù)： byte base64Value[128]; 復制代碼
這兩個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; } 復制代碼
UTF-7編碼轉(zhuǎn)換時候，是與當前字符是與狀態(tài)有關(guān)的，也就是說：
1）正處于Base64編碼狀態(tài)中
2）正處于直接編碼狀態(tài)中
3）現(xiàn)在UTF-7的緩沖區(qū)里，當前的字符是轉(zhuǎn)換開關(guān)"+"
所以要定義相關(guān)的字段：
// the state of current character #define? ? ? ? IN_ASCII? ? ? ? 0 #define? ? ? ? IN_BASE64? ? ? ? 1 #define AFTER_PLUS? ? ? ? 2
復制代碼
在使用規(guī)則2進行編碼時候，需要使用base64的方法，也就需要2個全局的輔助變量：
int state;? ?? ?? ?? ?? ???// state in which??we are working int nbits;? ?? ?? ?? ?? ???// number of bits in the bit buffer unsigned long bitBuffer;? ?// used for base64 coding 復制代碼
把一個Unicode字符轉(zhuǎn)化為一個UTF-7序列：返回寫到緩沖區(qū)里的字節(jié)數(shù)目，函數(shù)影響了state，nbits，bitBuffer三個全局變量。這里先實現(xiàn)了一個簡單的輔助函數(shù)，功能是把一個Unicode字符轉(zhuǎn)變后寫到提供的緩沖區(qū)中，返回寫入的字節(jié)個數(shù)。在開始編碼Unicode字符數(shù)組中第一個字符的時候，state，nbits，bitBuffer三個全局變量需要被初始化：
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); } 復制代碼
說明：對于合法的Unicode字符數(shù)組，可以通過逐個輸入數(shù)組中的字符，連續(xù)調(diào)用上面的函數(shù)，得到一個UTF-7字節(jié)序列。需要說明的是：最后一個Unicode字符應該是上面三個字節(jié)數(shù)組中某個字符的等值。
下面，我們實現(xiàn)一個簡單的說明函數(shù)，功能是：輸入一個UTF-7字節(jié)，可能得到并返回一個合法Unicode字符；也可能不能得到，比如遇到''+''或者因為還沒有完成一個字符的拼裝，這時返回一個標志字符0xfeff，這個字符常用來標志Unicode編碼。
注：函數(shù)影響了state，nbits，bitBuffer三個全局變量。在開始處理第一個字節(jié)時候，變量需要被初始化為：
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; } 復制代碼
說明：對于一個UTF-7序列，可以通過連續(xù)輸入字節(jié)并調(diào)用上面的函數(shù)，判斷返回值，得到一個Unicode字符數(shù)組。
六、GB2312編碼中漢字的確定
最早，表示漢字的區(qū)位碼中，分為94個區(qū)，每個區(qū)94個漢字，1-15區(qū)是西文字符，圖形等，16-5為一級漢字，56-87為二級漢字，87區(qū)以上為新字用。而我們在Windows默認的編碼，GB2312（1981年國家頒布的《信息交換用漢字編碼字符集基本集》）國標碼，和區(qū)位碼的換算為：
國標碼 = 區(qū)位碼 + 2020H
而在漢字在計算機內(nèi)表示的時候為保證ASCII碼和漢字編碼的不混淆，又做了一個換算：
漢字機內(nèi)碼 = 國標碼 + 8080H
所以，真正的在Windows上的GB2312漢字編碼是機內(nèi)碼，從上邊的兩個公式可以得到的就是：
漢字機內(nèi)碼 = 區(qū)位碼 + a0a0H
一個漢字的編碼最少要a0a0H，因此我們在CString中辨別漢字的時候可以認為：當一個字符的編碼大于a0的時候它應該是漢字的一個部分。但是也有特殊的情況的，不是每個漢字的兩個字節(jié)編碼都是大于a0H的，例如‘镕’的編碼是 ‘E946’，后面的部分就不滿足大于a0H的條件。
七、Windows下多字節(jié)編碼和Unicode的轉(zhuǎn)換
Windows提供了API函數(shù)，可以把Unicode字符數(shù)組轉(zhuǎn)換為GB2312字符串。其中，Unicode數(shù)組在傳入時候最后一個為0，也就是所謂的null termidated字符串。在函數(shù)內(nèi)部得到要返回字節(jié)串的大小，請求空間，進行真正的轉(zhuǎn)換操作，指針在外部使用后釋放，或者在類中加如其他的操作來處理，比如析構(gòu)函數(shù)中釋放。返回值為寫到字節(jié)串里數(shù)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; } 復制代碼
注：其中見到有人在使用的時候，申請緩沖區(qū)空間時候是申請了(zise + 1)個來，最后一個字節(jié)寫''\0''，結(jié)束字符串。但是在我調(diào)試時候發(fā)現(xiàn)：系統(tǒng)給的size已經(jīng)包含了一個寫入''\0''的字節(jié)，而且最后得到的串中，''\0''是已經(jīng)被系統(tǒng)API寫入了。（也許我的實驗有錯誤，有待驗證）。把Unicode字符數(shù)組轉(zhuǎn)換為UTF-8和UTF-7的方法類似，只要是WideCharToMultiByte函數(shù)的第一個表示代碼頁參數(shù)改為CP_UTF7(65000)和CP_UTF8(65001)。
同樣道理，把多字節(jié)轉(zhuǎn)換為Unicode字符數(shù)組，也有相應的函數(shù)。和上面的函數(shù)類似，可以通過先提供一個空緩沖區(qū)而先得到需要的大小，然后開辟空間得到最后的字符數(shù)組。但是考慮到效率，可以適當犧牲一些空間，提供一個足夠大的字符數(shù)組，數(shù)組大小在極端的情況下（全是ASCII）是和字節(jié)數(shù)組大小一樣的。
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; }
復制代碼
注：刪除以前的緩沖區(qū)時候的操作，其實沒有必要判斷是不是為空，因為刪除空指針是沒有問題的，因為delete內(nèi)部提供了這樣的機制。
八、URL 解碼
用IE發(fā)送GET請求的時候，URL是用UTF-8編碼的，當對截包數(shù)據(jù)分析時候就需要對數(shù)據(jù)解碼，下面的函數(shù)是一個簡單的實現(xiàn)：
CString CTestUrlDlg::UrlToString(CString url) { ? ? ? ? CString??str = ""; ? ? ? ? int n = url.GetLength(); ? ? ? ? url.MakeLower(); ? ? ? ? BYTE a, b1, b2; ? ? ? ? for (int i=0; i<n; i++) ? ? ? ? { ? ? ? ? ? ? ? ? if (url.GetAt(i) == ''%'') ? ? ? ? ? ? ? ? { ? ? ? ? ? ? ? ? ? ? ? ? if ((n - i) < 3)? ? // 后面沒有兩個字符了，錯誤 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 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; } 復制代碼
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英文手冊.chm 復制代碼
總結(jié)
- 上一篇： 物联网管理软件的设计
- 下一篇： C/C++中退出线程的四种解决方法