正确理解UNICODE UTF-8等编码方式

[color=darkred]转载出处:[/color][url]http://blog.youkuaiyun.com/polarman/archive/2007/04/30/1593159.aspx[/url]

如果你开发过的软件项目中涉及到多语言支持的问题，那么相信你没少碰到过乱码问题，然后在寻求解决问题的途径过程中被一些概念如ASCII, ISO-8859-1, Unicode，UTF-8，GBK，GB2312等等所困扰。本文有助于你正确的理解这些概念。

1. ASCII

用7位编码将英文字符和一些常用的符号存诸为从0到127的数值。



2. ISO-8859-1

法语、西班牙语和德语之类的西欧语言都使用叫做ISO-8859-1的编码系统（也叫做“latin-1”）。它使用7位ASCII字符表示从0到127的字符，但接着扩展到了128-255的范围来表示如n上带有一个波浪线(241)，和u上带有两个点(252)的字符等等。可以说ASCII是ISO-8859-1的子集。



3. Unicode

Unicode用一个2字节数字表示每个字符，从0到65535。每个 2 字节数字表示至少在一种世界语言中使用的一个唯一字符。（在多种语言中都使用的字符具有相同的数字码。）这样就确保每个字符一个数字，并且每个数字一个字符。Unicode数据永远不会模棱两可。Unicode使用相同的数字表示ASCII和ISO-8859-1中的字符。只是这两种编码用一个字节表示，而Unicode用两个字节表示。所以Unicode表示这两种编码的字符时只要用低字节就可以了，高字节为0。



4. UTF-8

UTF-8是一种变长的编码方式，每个UTF-8的编码可以是1至6个字节长。它将Unicode编码的字符采用变长的方式进行编码。对Unicode中属于ISO-8859-1的编码采用和ISO-8859-1相同的单字节编码。其他字符采用两字节以上的编码。实际上对于两个字节的Unicode编码，UTF-8只要三个字节即可表示。第一个字节由n个1（1< n <= 6）开始, n表示编码的字节数，后面每个字节都以10开始，后面6位为有效位。将第一位的剩余位和后面的所有字节的后六位连接起来就是对应的Unicode编码的数值。例如汉字“中”的编码：



Unicode: 4E 2D

01001110 00101101



UTF-8: E4 B8 AD

11100100 10111000 10101101



可以通过以下方式进行证实：

用记事本创建一个文本文件，输入汉字“中”分别保存为Unicode格式和UTF-8格式。 将UltraEdit的自动识别UTF-8文件格式选项禁止，然后用其打开这两个文件，选用二进制查看方式，可以看到:


UTF-8格式文件编码为“EF BB BF E4 B8 AD”。其中有个三字节的前缀“EF BB BF”，这是UTF-8格式文本文件的标识。不过这个前缀不要，某些文本查看软件也可以通过编码判断出UTF-8格式。“E4 B8 AD”就是“中”的UTF-8编码。


Unicode格式的文件的完整编码是“FF FE 2D 4E”。前面有个双字节前缀“FF FE”，这是Unicode格式文本文档的编码标识。而我们看到的编码是“2D 4E”，而不是如我前面所说的“4E 2D”，为什么呢？因为数字是按照低字节在先高字节在后的顺序存储的，所以实际的Unicode编码恰恰是“4E2D”。



5. GB2312和GBK

这两种编码都是汉字的编码标准，其中前者是后者的子集。GBK编码的文本文档中对于ASCII中的字符用相同的单字节表示；对于汉字和汉语中的标点符号等采用双字节编码，其中高字节大于0x80，而ASCII的所有字符的编码均小于0x80, 所以ASCII和GBK的字符是可以混和起来的。GBK的字符集和Unicode进行转换是无规则的，需要转换表才能进行转换。



6.下面给出我用Java语言写的Unicode和UTF-8转换的程序片段，供大家参考。



因为Java语言的字符使用Unicode编码的，所以程序中是对UTF-8编码的字符串的字节数组和Java的String类型进行转换。String对象中的每一个Character就是一个Unicode编码的字符。

public String utf8Bytes2String(byte[] buff){

              if(buff == null)

                     return null;



              StringBuffer sb = new StringBuffer();



              int idx = 0;



              if(buff[0] == (byte)0xEF &&

                            buff[1] == (byte)0xBB &&

                            buff[2] == (byte)0xBF)

                     idx = 3;//Skip UTF8 header



              while(idx < buff.length){

                     int hB = buff[idx] & 0xFF;

                     int bCnt = 0;

                     int check = 0x80;

                     for(int i=0; i<8; i++){

                            if((hB & check) != 0){

                                   bCnt ++;

                                   check >>= 1;

                            }else

                                   break;

                     }



                     if(bCnt <= 1){

                            char c = 0;

                            c |= buff[idx] & 0xFF;

                            sb.append(c);

                            idx++;

                     }else if(bCnt == 2){

                            char c = 0;

                            c |= buff[idx] & 0x03;

                            c <<= 6;

                            if((buff[idx+1] & 0xC0) != 0x80)

                                   return null;

                            c |= buff[idx+1] & 0x3F;

                            idx += 2;

                            sb.append(c);

                     }else if(bCnt == 3){

                            char c = 0;

                            c |= buff[idx] & 0x0F;

                            c <<= 6;

                            if((buff[idx+1] & 0xC0) != 0x80)

                                   return null;

                            c |= buff[idx+1] & 0x3F;

                            c <<= 6;

                            if((buff[idx+2] & 0xC0) != 0x80)

                                   return null;

                            c |= buff[idx+2] & 0x3F;

                            idx += 3;

                            sb.append(c);

                     }else

                            return null;

              }



              return sb.toString();

       }



       public byte[] string2Utf8Bytes(String str){

              if(str == null)

                     return null;



              ByteArrayOutputStream bos = new ByteArrayOutputStream();

              try {

                     string2Utf8Stream(str, bos);

              } catch (IOException e) {

                     e.printStackTrace();

              }

              return bos.toByteArray();

       }



public void string2Utf8Stream(String str, OutputStream os) throws IOException {

              if(str == null || os == null)

                     return;



              for(int i=0; i<str.length(); i++){

                     char c = str.charAt(i);

                     if(c < 0x80){

                            os.write((byte)c);

                     }else if(c >=0x80 && c < 0x100){

                            int hi = c >> 6;

                            hi |= 0xC0;

                            int lo = c & 0x3F;

                            lo |= 0x80;

                            os.write(hi);

                            os.write(lo);

                     }else{

                            int first = c >> 12;

                            first |= 0xE0;

                            int second = c >> 6;

                            second &= 0x3F;

                            second |= 0x80;

                            int third = c & 0x3F;

                            third |= 0x80;

                            os.write(first);

                            os.write(second);

                            os.write(third);

                     }

              }

       }