UTF-8, Unicode, GB2312格式串转换之C语言版

原住址：http://www.cnitblog.com/wujian-IT/archive/2007/12/13/37671.html    

      /*      author:   wu.jian   （吴剑）      English name: Sword

      /*      date:      2007-12-13

      /*      purpose:   知识共享



      这几天工作上碰到了UTF-8转GB2312的问题，而且是在嵌入式的环境下，没有API可用，查了很多网上的资料，大多调用VC或者Linux下自带的接口。在这里我将这两天的工作做个总结。

      总的来说分为两大步（这里就不介绍基础知识了）：



      一、UTF8 -> Unicode

      由于UTF8和Unicode存在着联系，所以不需要任何库就可以直接进行转换。首先要看懂UTF8的编码格式：

      U-00000000 - U-0000007F: 0xxxxxxx  

      U-00000080 - U-000007FF: 110xxxxx 10xxxxxx  

      U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx  

      U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx  

      U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx  

      U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx  

      前面几个1就代表后面几个字节是属于一起的。如果要解析一长串UTF8格式的字符串，这点就很有用了。下面这个函数就是判断前面几个1的（这里有define APP_PRINT printf，这样当release的时候将这个宏定义为空就行了，不需要一个一个去改，又方便重新调试）：

      int GetUtf8ByteNumForWord(u8 firstCh)  //判断前面几个1

      {

          u8 temp = 0x80;

          int num = 0;

 

          while (temp & firstCh)

          {

                num++;

                 temp = (temp >> 1);

           }

APP_PRINT("the num is: %d", num);

        return num;

      }

      利用这个函数可以得到字符串中那几个字节是一起的。因为UTF8最大只有6个字节，所以就根据返回值来处理这里我只处理了3个字节和1个字节的UTF8的编码，因为一般来说中文在UTF8中是3个字节。



//将len个字节的UTF8格式的转换成GB2312格式存放在temp预先申请好的缓冲区中

void Utf8ToGb2312(const char* utf8, int len, char *temp)

{

       APP_PRINT("utf8->unicode: \n");

       APP_PRINT("utf8: [");

       for (int k = 0; k < len; k++)

       {

              APP_PRINT("%02x ", utf8[k]);

       }

       APP_PRINT("]\n");

 

       int byteCount = 0;

       int i = 0;

       int j = 0;



       u16 unicodeKey = 0;

       u16 gbKey = 0;





      //循环解析

       while (i < len)

       {   

        switch(GetUtf8ByteNumForWord((u8)utf8[i]))

        {

          case 0:

                temp[j] = utf8[i];

                byteCount = 1;

          break;



          case 2:

          temp[j] = utf8[i];

          temp[j + 1] = utf8[i + 1];

          byteCount = 2;

          break;



         case 3:

                 //这里就开始进行UTF8->Unicode

                 temp[j + 1] = ((utf8[i] & 0x0F) << 4) | ((utf8[i + 1] >> 2) & 0x0F);

                 temp[j] = ((utf8[i + 1] & 0x03) << 6) + (utf8[i + 2] & 0x3F);



                //取得Unicode的值

                 memcpy(&unicodeKey, (temp + j), 2);

                 APP_PRINT("unicode key is: 0x%04X\n", unicodeKey);



                  //根据这个值查表取得对应的GB2312的值

                gbKey = SearchCodeTable(unicodeKey);

                APP_PRINT("gb2312 key is: 0x%04X\n", gbKey);

    

                if (gbKey != 0)

                {

                       //here change the byte

                        //不为0表示搜索到，将高低两个字节调换调成我要的形式

                       gbKey = (gbKey >> 8) | (gbKey << 8);

                       APP_PRINT("after changing, gb2312 key is: 0x%04X\n", gbKey);

                       memcpy((temp + j), &gbKey, 2);

                  }

                byteCount = 3;

          break;



          case 4:

          byteCount = 4;

          break;

         case 5:

          byteCount = 5;

          break;

         case 6:

          byteCount = 6;

          break;

    

         default:

          APP_PRINT("the len is more than 6\n");

          break;    

        }

i += byteCount;

        if (byteCount == 1)

        {

               j++;

        }

        else

        {

               j += 2;

        }

  

       }

       APP_PRINT("utf8: [");

       for (k = 0; k < j; k++)

       {

              APP_PRINT("%02x ", temp[k]);

       }

       APP_PRINT("]\n");

}



      二、下面主要谈谈利用查表法来进行Unicode->GB2312的转换，首先下载码表，一般码表都是将GB2312的放在前面，Unicode放在后面，这样对于我们来说不方便使用，所以我转换了下，将Unicode放在前面，而且按照从小到大排好序。（这里只需要考虑都为两个字节的情况，因为前面的UTF8->Unicode并没有将单字节的ASCII转换成Unicode）

            (1)做表：(可以到这里下载：http://blog.91bs.com/?action=show&id=20，这里谢谢渣渣的猪窝)

            这个是原来的样子：

            0x8140 0x4E02 #CJK UNIFIED IDEOGRAPH

            0x8141 0x4E04 #CJK UNIFIED IDEOGRAPH

            0x8142 0x4E05 #CJK UNIFIED IDEOGRAPH

            先弄成（这个可以写个小程序来做，我就是在VC上做的，如果需要可以联系我）：

            { 0x4E02 ，0x8140 }, //CJK UNIFIED IDEOGRAPH

            { 0x4E04 ，0x8141 }, //CJK UNIFIED IDEOGRAPH

            { 0x4E05 ，0x8142 }, //CJK UNIFIED IDEOGRAPH

            这样就可以把这些放在.h文件中了，下面是我的定义：

            typedef struct unicode_gb

            {

                   unsigned short unicode;

                   unsigned short gb;

            } UNICODE_GB;

UNICODE_GB code_table[] = 

            {

                  { 0x4E02, 0x8140 },   //CJK UNIFIED IDEOGRAPH

                  { 0x4E04, 0x8141 },  //CJK UNIFIED IDEOGRAPH

                  { 0x4E05, 0x8142 },  //CJK UNIFIED IDEOGRAPH

                  。。。。。。省略



            下面这一步也很简单，在VC中用冒泡排序法，对这个数组按照unicode值进行排序，如果需要可以联系我，把最终结果打印出来，在cmd下运行name > 1.txt就输出到文件，这样就有了一个按照unicode排好序的unicode->gb2312码表。



   int main(int argc, char *argv[])

{

int num = 0;

    UNICODE_GB temp;

    int i = 0;

    int j = 0;

num = sizeof(code_table) / sizeof(UNICODE_GB);

printf("struct size: %d | total size: %d | num is: %d \n", 

    sizeof(UNICODE_GB), sizeof(code_table), num);

for (i = 0; i < num; i++)

    {

        for (j = 1; j < num - i; j++)

        {

            if (code_table[j - 1].unicode > code_table[j].unicode)

            {

                temp.unicode = code_table[j - 1].unicode;

                temp.gb = code_table[j - 1].gb;

                code_table[j - 1].unicode = code_table[j].unicode;

                code_table[j - 1].gb = code_table[j].gb;

                code_table[j].unicode = temp.unicode;

                code_table[j].gb = temp.gb;

            }

        }

    }

printf("here is the code table sorted by unicode\n\n");

for (i = 0; i < num; i++)

    {

        printf("{\t0x%04X,\t0x%04X\t},\t\n", code_table[i].unicode, code_table[i].gb);

     }

printf("\n\n print over!\n");



   //以下注释掉的其实就是我用来对原来的码表添加，{，}等用的

   /*

    char buff[100];

    char buff_1[100]; 

 

    FILE* fp = NULL;

    FILE *fp_1 = NULL;

memset(buff, 0, 100);

    memset(buff_1, 0, 100);

 

    fp = fopen("table.txt", "rw");

    fp_1 = fopen("table_1.txt", "a+");

if ((fp == NULL) || (fp_1 == NULL))

    {

        printf("open file error!\n");

        return 1;

    }

while (fgets(buff, 100, fp) != NULL)

    {

        buff[8] = ',';

fputs(buff, fp_1);

    }

 */

return 0;

}



      最后就是搜索算法了，前面已经排好序了，现在我们把排好序的码表放在我们真正需要的.h文件中。大家应该猜我用什么算法搜索了吧，二分法。



#define CODE_TABLE_SIZE 21791

//这个表是死的，所以就直接用宏表示长度，不用每次都用size，不过这样可能对移植性不好。

u16 SearchCodeTable(u16 unicodeKey)

{

    int first = 0;

    int end = CODE_TABLE_SIZE - 1;

    int mid = 0;

while (first <= end)

    {

        mid = (first + end) / 2;

if (code_table[mid].unicode == unicodeKey)

        {

            return code_table[mid].gb;

        }

        else if (code_table[mid].unicode > unicodeKey)

        {

            end = mid - 1;

        }

        else 

        {

            first = mid + 1;

        }

    }

    return 0;

}

      到此，已经能够将UTF8串转换成GB2312了。是一长串哦，而不是单个汉字的编码转换。