Unicode和UTF-8之間的轉換詳解

通過這幾天的研究，終於明白了Unicode和UTF-8之間編碼的區別。Unicode是一個字符集，而UTF-8是Unicode的其中一種，Unicode是定長的都為雙位元組，而UTF-8是可變的，對於漢字來說Unicode佔有的位元組比UTF-8佔用的位元組少1個位元組。Unicode為雙位元組，而UTF-8中漢字佔三個位元組。
                               網魂小兵 http://xdotnet.cnblogs.com
     UTF-8編碼字元理論上可以最多到6個位元組長,然而16位BMP（Basic Multilingual Plane）字元最多隻用到3位元組長。下面看一下UTF-8編碼表：

         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

     xxx 的位置由字元編碼數的二進位制表示的位填入， 越靠右的 x 具有越少的特殊意義，只用最短的那個足夠表達一個字元編碼數的多位元組串。 注意在多位元組串中, 第一個位元組的開頭"1"的數目就是整個串中位元組的數目。而第一行中以0開頭，是為了相容ASCII編碼，為一個位元組，第二行就為雙位元組字串，第三行為3位元組，如漢字就屬於這種，以此類推。(個人認為：其實我們可以簡單的把前面的1的個數看成位元組數)
                                 網魂小兵 http://xdotnet.cnblogs.com
     為了要將Unicode轉換為UTF-8，當然要知道他們的區別到底在什麼地方。下面來看一下，在Unicode中的編碼是怎樣轉換成UTF-8的，在UTF-8中，如果一個字元的位元組小於0x80（128）則為ASCII字元，佔一個位元組，可以不用轉換，因為UTF-8相容ASCII編碼。假如在Unicode中漢字“你”的編碼為“u4F60”，把它轉換為二進位制為100111101100000，然後按照UTF-8的方法進行轉換。可以將Unicode二進位制從地位往高位取出二進位制數字，每次取6位，如上述的二進位制就可以分別取出為如下所示的格式，前面按格式填補，不足8位用0填補。

        
             unicode:  100111101100000                        4F60

              utf-8:     11100100,10111101,10100000         E4BDA0
     從上面就可以很直觀的看出Unicode到UTF-8之間的轉換，當然知道了UTF-8的格式後，就可以進行逆運算，就是按照格式把它在二進位制中的相應位置上取出，然後在轉換就是所得到的Unicode字元了（這個運算可以通過“位移”來完成）。
                             網魂小兵 http://xdotnet.cnblogs.com
     如上述的“你”的轉換，由於其值大於0x800小於0x10000，因此可以判斷為三位元組儲存，則最高位需要向右移“12”位再根據三位元組格式的最高位為11100000（0xE0）求或（|）就可以得到最高位的值了。同理第二位則是右移“6”位，則還剩下最高位和第二位的二進位制值，可以通過與111111（0x3F）求按位於（&）操作，再和11000000（0x80）求或（|）。第三位就不用移位了，只要直接取最後六位（與111111（ox3F）取&），在與11000000(0x80)求或（|）。OK了，轉換成功！在VC++中的程式碼如下所示（Unicode到UTF-8的轉換）。

          1 const wchar_t pUnicode = L"你";
          2 char utf8[3+1];
          3 memset(utf8,0,4);
          4 utf8[0] = 0xE0|(pUnicode>>12);
          5 utf8[1] = 0x80|((pUnicode>>6)&0x3F);
          6 utf8[2] = 0x80|(pUnicode&0x3F);
          7 utf8[3] = "\0";
          8 //char[4]就是UTF-8的字元“你”了。

     當然在UTF-8到Unicode的轉換也是通過移位等來完成的，就是把UTF-8那些格式相應的位置的二進位制數給揪出來。在上述例子中“你”為三個位元組，因此要每個位元組進行處理，有高位到低位進行處理。在UTF-8中“你”為11100100,10111101,10100000。從高位起即第一個位元組11100100就是把其中的"0100"給取出來，這個很簡單隻要和11111（0x1F）取與（&），由三位元組可以得知最到位肯定位於12位之前，因為每次取六位。所以還要將得到的結果左移12位，最高位也就這樣完成了0100,000000,000000。而第二位則是要把“111101”給取出來，則只需將第二位元組10111101和111111(0x3F)取與（&）。在將所得到的結果左移6位與最高位元組所得的結果取或（|），第二位就這樣完成了，得到的結果為0100,111101,000000。以此類推最後一位直接與111111（0x3F）取與（&），再與前面所得的結果取或（|）即可得到結果0100,111101,100000。OK，轉換成功！在VC++中的程式碼如下所示（UTF-8到Unicode的轉換）。

     1 //UTF-8格式的字串
     2 const char* utf8 = "你";
     3 wchar_t unicode;
     4 unicode = (utf8[0] & 0x1F) << 12;
     5 unicode |= (utf8[1] & 0x3F) << 6;
     6 unicode |= (utf8[2] & 0x3F);
     7 //unicode is ok!                                     網魂小兵 http://xdotnet.cnblogs.com
     當然在程式設計過程中不可能只轉換一個字元，這裡需要注意的是字元的長度一定要算清楚，不然會帶來...以上就是我這幾天研究的結果，至於Unicode的轉換為GB2312在MFC中Windows有自帶的API（WideCharToMultiByte）可以轉換。這樣也就能夠將UTF-8格式轉換為GB2312了，這裡就不再贅述，如果大家有更好的方法希望指教。