UTF8 UTF16 之间的互相转换

首先需要知道 Unicode 编码范围 [U+00, U+10FFFF], 其中 [U+00, U+FFFF] 称为基础平面(BMP), 这其中的字符最为常用.

当然, 这 65536 个字符是远远不够的.

0x010000 - 0x10FFFF 为辅助平面, 共可存放16 * 65536个字符，划分为16个不同的平面

 

http://www.oschina.net/code/snippet_179574_15065

按照如下的编码方式，对UTF8和UTF16之间进行转换

从UCS-2到UTF-8的编码方式如下(没有处理扩展面)：

UCS-2编码(16进制)	UTF-8 字节流(二进制)
0000 - 007F	0xxxxxxx
0080 - 07FF	110xxxxx 10xxxxxx
0800 - FFFF	1110xxxx 10xxxxxx 10xxxxxx

 

typedef unsigned long   UTF32;  /* at least 32 bits */
typedef unsigned short  UTF16;  /* at least 16 bits */
typedef unsigned char   UTF8;   /* typically 8 bits */
typedef unsigned int    INT;

/*
UCS-2编码    UTF-8 字节流(二进制)
0000 - 007F  0xxxxxxx
0080 - 07FF 110xxxxx 10xxxxxx
0800 - FFFF 1110xxxx 10xxxxxx 10xxxxxx
*/

#define UTF8_ONE_START      (0xOOO1)
#define UTF8_ONE_END        (0x007F)
#define UTF8_TWO_START      (0x0080)
#define UTF8_TWO_END        (0x07FF)
#define UTF8_THREE_START    (0x0800)
#define UTF8_THREE_END      (0xFFFF)

void UTF16ToUTF8(UTF16* pUTF16Start, UTF16* pUTF16End, UTF8* pUTF8Start, UTF8* pUTF8End)
{
    UTF16* pTempUTF16 = pUTF16Start;
    UTF8* pTempUTF8 = pUTF8Start;

    while (pTempUTF16 < pUTF16End)
    {
        if (*pTempUTF16 <= UTF8_ONE_END
            && pTempUTF8 + 1 < pUTF8End)
        {
            //0000 - 007F  0xxxxxxx
            *pTempUTF8++ = (UTF8)*pTempUTF16;
        }
        else if(*pTempUTF16 >= UTF8_TWO_START && *pTempUTF16 <= UTF8_TWO_END
            && pTempUTF8 + 2 < pUTF8End)
        {
            //0080 - 07FF 110xxxxx 10xxxxxx
            *pTempUTF8++ = (*pTempUTF16 >> 6) | 0xC0;
            *pTempUTF8++ = (*pTempUTF16 & 0x3F) | 0x80;
        }
        else if(*pTempUTF16 >= UTF8_THREE_START && *pTempUTF16 <= UTF8_THREE_END
            && pTempUTF8 + 3 < pUTF8End)
        {
            //0800 - FFFF 1110xxxx 10xxxxxx 10xxxxxx
            *pTempUTF8++ = (*pTempUTF16 >> 12) | 0xE0;
            *pTempUTF8++ = ((*pTempUTF16 >> 6) & 0x3F) | 0x80;
            *pTempUTF8++ = (*pTempUTF16 & 0x3F) | 0x80;
        }
        else
        {
            break;
        }
        pTempUTF16++;
    }
    *pTempUTF8 = 0;
}

void UTF8ToUTF16(UTF8* pUTF8Start, UTF8* pUTF8End, UTF16* pUTF16Start, UTF16* pUTF16End)
{
    UTF16* pTempUTF16 = pUTF16Start;
    UTF8* pTempUTF8 = pUTF8Start;

    while (pTempUTF8 < pUTF8End && pTempUTF16+1 < pUTF16End)
    {
        if (*pTempUTF8 >= 0xE0 && *pTempUTF8 <= 0xEF)//是3个字节的格式
        {
            //0800 - FFFF 1110xxxx 10xxxxxx 10xxxxxx
            *pTempUTF16 |= ((*pTempUTF8++ & 0xEF) << 12);
            *pTempUTF16 |= ((*pTempUTF8++ & 0x3F) << 6);
            *pTempUTF16 |= (*pTempUTF8++ & 0x3F);

        }
        else if (*pTempUTF8 >= 0xC0 && *pTempUTF8 <= 0xDF)//是2个字节的格式
        {
            //0080 - 07FF 110xxxxx 10xxxxxx
            *pTempUTF16 |= ((*pTempUTF8++ & 0x1F) << 6);
            *pTempUTF16 |= (*pTempUTF8++ & 0x3F);
        }
        else if(*pTempUTF8 >= 0 && *pTempUTF8 <= 0x7F)//是1个字节的格式
        {
            //0000 - 007F  0xxxxxxx
            *pTempUTF16 = *pTempUTF8++;
        }
        else
        {
            break;
        }
        pTempUTF16++;
    }
    *pTempUTF16 = 0;
}

int main()
{
    UTF16 utf16[256] = {L"你a好b吗234中国~!"};
    UTF8 utf8[256];

    UTF16ToUTF8(utf16, utf16+wcslen(utf16), utf8, utf8+256);

    memset(utf16, 0, sizeof(utf16));

    UTF8ToUTF16(utf8, utf8 + strlen(utf8), utf16, utf16+256);

    return 0;
}

　　UTF-16 并不比 UTF-8 更受待见, 只是 Windows 默认使用 UTF-16 而已, 所以不得不在它们之间做转换(如果你还在使用非 Unicode 编码, 那你已经是受到微软的毒害了)

　　当然, 万恶的微软还是给出了更简单的方法的, 那就是下面的两个函数:

WideCharToMultiByte

将UTF-16（宽字符）字符串映射到新的字符串。新的字符串不一定来自多字节字符集。(那你取这个名字是闹哪样? 多字节字符集是什么鬼??? 你怎么不去屎)

https://msdn.microsoft.com/en-us/library/windows/desktop/dd374130(v=vs.85).aspx

MultiByteToWideChar

将字符串映射到UTF-16（宽字符）字符串。字符串不一定来自多字节字符集。

https://msdn.microsoft.com/en-us/library/windows/desktop/dd319072(v=vs.85).aspx

程序: 将 UTF-16 编码的字符串转换为 UTF-8 编码, 并在控制台输出

#include <Windows.h>
#include <stdio.h>
#include <stdlib.h>
#include <string.h>

void use(const char *utf8str) {
	system("Pause");
	system("chcp 65001");
	if (utf8str == NULL) {
		printf("NULL\n");
		return;
	}
	printf("%s\n", utf8str);
}

char *utf16to8(const wchar_t *str) {
	if (str == NULL) {
		return NULL;
	}
	int cBuf = 0; // 缓冲区大小
	// 计算缓冲区需要的大小, 如果函数成功, 则返回值至少是 1 (UTF-8以0x00结尾)
	if (cBuf = WideCharToMultiByte(
		CP_UTF8,
		0,
		str,
		-1,
		NULL,
		0,
		NULL,
		NULL), !cBuf ){
			// 计算失败
			fprintf(stderr, "计算内存失败!");
			return NULL;
	}
	printf("缓冲区大小 %d .\n", cBuf);
	char *buf = NULL; // 指向缓冲区
	buf = (char *)malloc(cBuf); // 分配缓冲区
	if (!WideCharToMultiByte(
		CP_UTF8,
		0,
		str,
		-1,
		buf,
		1024,
		NULL,
		NULL) ){
			fprintf(stderr, "转换失败!\n");
			return NULL;
	}
	// 返回缓冲区地址
	return buf;
}

void run() {
	const wchar_t *str = L"Hello你好我的朋友!";
	char *utf8str = utf16to8(str);
	use(utf8str);
　　　　 free(utf8str);
}

int main(int argc, char* argv[]) {
	run();
	system("Pause");
	return EXIT_SUCCESS;
}

　　Output如下------>

缓冲区大小 25 .
请按任意键继续. . .

Active code page: 65001
Hello你好我的朋友!
Press any key to continue . . .

上面这个函数调用了两次 WideCharToMultiByte(), 第一次是计算转换所需的空间, 第二次开始转换(It's stupid!)

那么依葫芦画瓢, 你现在可以将 UTF-8 -> UTF16了吗?

补两张图

最终版本:

wchar_t *
utf8to16(const char *str) {
        if (str == NULL) return L"(null)";
        // 计算缓冲区需要的大小, 如果函数成功, 则返回 UTF-8 字符数量, 所以无法确定具体字节数
        int cBuf = MultiByteToWideChar(CP_UTF8, 0, str, -1, NULL, 0);
        if (cBuf == 0) return L"(null)";
        wchar_t *buf = malloc(cBuf * 4);
        if (cBuf != MultiByteToWideChar(CP_UTF8, 0, str, -1, buf, cBuf)) return L"(null)";
        return buf;
}

char *
utf16to8(const wchar_t *str) {
        if (str == NULL) return "(null)";
        // 计算缓冲区需要的大小, 如果函数成功, 则返回具体字节数, 所以 cBuf 至少是 1 (UTF-8以0x00结尾)
        int cBuf = WideCharToMultiByte(CP_UTF8, 0, str, -1, NULL, 0, NULL, NULL);
        if (cBuf < 1) return "(null)";
        char *buf = malloc(cBuf); // 分配缓冲区
        if (cBuf != WideCharToMultiByte(CP_UTF8, 0, str, -1, buf, 1024, NULL, NULL)) return "(null)";
        return buf;
}