|
常用編碼詳解
作者：李靜南
摘要：本文在對各種資料整理後詳細介紹各種常見編碼的轉換算法。
一、通用字符集（UCS）
ISO/IEC 10646-1 [ISO-10646]定義了一種多於8比特字節的字符集，稱作通用字符集（UCS），它包含了世界上大多數可書寫的字符系統。已定義了兩種多8比特字節編碼，對每一個字符采用四個8比特字節編碼的稱爲UCS-4，對每一個字符采用兩個8比特字節編碼的稱爲UCS-2。它們僅能夠對UCS的前64K字符進行編址，超出此範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，迄今爲止只分配了前65534個碼位 (0x0000 到 0xFFFD)。 這個UCS的16位子集稱爲 “基本多語言面 ”(Basic Multilingual Plane, BMP)。
三、Unicode編碼
歷史上， 有兩個獨立的， 創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)多語言軟件製造商組成的協會組織的 Unicode 項目。幸運的是， 1991年前後, 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。它們合併雙方的工作成果，併爲創立一個單一編碼表而協同工作。 兩個項目仍都存在並獨立地公佈各自的標準， 但 Unicode 協會和 ISO/IEC JTC1/SC2 都同意保持 Unicode 和 ISO 10646 標準的碼錶兼容， 並緊密地共同調整任何未來的擴展。Unicode 標準額外定義了許多與字符有關的語義符號學， 一般而言是對於實現高質量的印刷出版系統的更好的參考。
四、UTF-8編碼
UCS-2和UCS-4編碼很難在許多當前的應用和協議中使用，這些應用和協議假定字符爲一個8或7比特的字節。即使新的可以處理16比特字符的系統，卻不能處理UCS-4數據。這種情況導致一種稱爲UCS轉換格式（UTF）的發展，它每一種有不同的特徵。 UTF-8(RFC 2279)，使用了8比特字節的所有位，保持全部US-ASCII取值範圍的性質：US-ASCII字符用一個8比特字節編碼，採用通常的US-ASCII值，因此，在此值下的任何一個8比特位字節僅僅代表一個US-ASCII字符，而不會爲其他字符。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換比較容易。
2）多8比特字節序列的第一個8比特字節指明瞭系列中8比特字節的數目。
3）8比特字節值FE和FF永遠不會出現。
4）在8比特字符流中字符邊界從哪裏開始較容易發現。
UTF-8定義:
在UTF-8中，字符采用1到6個8比特字節的序列進行編碼。僅僅一個8比特字節的一個序列中，字節的高位爲0，其他的7位用於字符值編碼。n（n>1）個8比特字節的一個序列中，初始的8比特字節中高n位爲1，接着一位爲0，此字節餘下的位包含被編碼字符值的位。接着的所有8比特字節的最高位爲1，接着下一位爲0，餘下每個字節6位包含被編碼字符的位。
下表總結了這些不同的8比特字節類型格式。字母x指出此位來自於進行編碼的UCS-4字符值。
UCS-4範圍（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比特字節數目。着重指出的是上表中的行是相互排斥的，也就是說，對於一個給定的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比特字節的高位。
3）將UCS字符值的位，從低位起填充在標記爲x地方。從UTF8序列中最後一個字節填起，然後剩下的字符值依次放到前一個字節中，如此重複，直到所有標記位x的位都進行了填充。
這裏我們僅僅實現Unicode到UTF8的轉換，Unicode都是兩個字節，定義爲:
typedef usigned short WCHAR
// 輸出的UTF8編碼至多是3個字節。
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;
}
理論上，簡單的通過用2個0值的8比特字節來擴展每個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字符轉換，因此需要特別對待：UTF-16轉換必須未完成，先轉換到於UCS-4字符，然後按照上面過程進行轉換。
從UTF-8到UCS-4解碼過程如下：
1）初始化UCS-4字符4個8比特字節的所有位爲0。
2）根據序列中8比特字節數和上表中第二列（標記爲x位）來決定哪些位編碼用於字符值。
3）從編碼序列分配位到UCS-4字符。首先從序列最後一個8比特字節的最低位開始，接着向左進行，直到所有標記爲x的位完成。如果UTF-8序列長度不大於3個8比特字節，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
}
注意：上面解碼算法的實際實現應該進行安全保護，以便處理解碼無效的系列。例如:實現可能（錯誤）解碼無效的UTF-8系列0xC0 0x80爲字符U+0000，它可能導致安全問題或其他問題（比如把0當作數組結束標誌）。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 碼進行轉換的編碼。它的設計目的仍然是爲了在只能傳遞 7 爲編碼的郵件網關中傳遞信息。 UTF-7 對英語字母、數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，並且相伴有 + 號和 - 號，這就有可能是 UTF-7 編碼。
協議中定義的轉換規則：
1）集合D中的Unicode字符可以直接的編碼爲ASCII的等值字節。集合O中的字符可以有有選擇的的直接編碼爲ASCII的等值字節，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關。
2）通過在前面加上轉換字符"+"，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。"+"意味着後面的字節將被作爲更改過的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爲止。這些字符中會包含控制字符，比如回車和換行；因此，一個Unicode轉換序列總是在一行上結束。註釋：有兩個特殊的情形："+-"表示''+''，"+ …… --"表示有一個真正的''-''字符出現了。多數情況是沒有''-''標記結束。
3）空格、tab、回車和換行字符可以直接使用ASCII等價字節表示。
那麼我們就可以定義算法了，我們先定義字符集的相關數組：
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";
注：在編碼處理時候，我們需要對一個字節判斷屬於哪類字符，以便確定處理規則，如果簡單的使用範圍比較的方式，效率很低，我們採用哈希表的思路：建立一個256長的數組，那麼對於每一個字節的值，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：爲了解碼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：
byte base64Value[128];
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;
}
UTF-7編碼轉換時候，是與當前字符是與狀態有關的，也就是說：
1）正處於Base64編碼狀態中
2）正處於直接編碼狀態中
3）現在UTF-7的緩衝區裏，當前的字符是轉換開關"+"
所以要定義相關的字段：
// the state of current character
#define IN_ASCII 0
#define IN_BASE64 1
#define AFTER_PLUS 2
在使用規則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
把一個Unicode字符轉化爲一個UTF-7序列：返回寫到緩衝區裏的字節數目，函數影響了state，nbits，bitBuffer三個全局變量。這裏先實現了一個簡單的輔助函數，功能是把一個Unicode字符轉變後寫到提供的緩衝區中，返回寫入的字節個數。在開始編碼Unicode字符數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);
}
說明：對於合法的Unicode字符數組，可以通過逐個輸入數組中的字符，連續調用上面的函數，得到一個UTF-7字節序列。需要說明的是：最後一個Unicode字符應該是上面三個字節數組中某個字符的等值。
下面，我們實現一個簡單的說明函數，功能是：輸入一個UTF-7字節，可能得到並返回一個合法Unicode字符；也可能不能得到，比如遇到''+''或者因爲還沒有完成一個字符的拼裝，這時返回一個標誌字符0xfeff，這個字符常用來標誌Unicode編碼。
注：函數影響了state，nbits，bitBuffer三個全局變量。在開始處理第一個字節時候，變量需要被初始化爲：
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;
}
說明：對於一個UTF-7序列，可以通過連續輸入字節並調用上面的函數，判斷返回值，得到一個Unicode字符數組。
六、GB2312編碼中漢字的確定
最早，表示漢字的區位碼中，分爲94個區，每個區94個漢字，1-15區是西文字符，圖形等，16-5爲一級漢字，56-87爲二級漢字，87區以上爲新字用。而我們在Windows默認的編碼，GB2312（1981年國家頒佈的《信息交換用漢字編碼字符集基本集》）國標碼，和區位碼的換算爲：
國標碼 = 區位碼 + 2020H
而在漢字在計算機內表示的時候爲保證ASCII碼和漢字編碼的不混淆，又做了一個換算：
漢字機內碼 = 國標碼 + 8080H
所以，真正的在Windows上的GB2312漢字編碼是機內碼，從上邊的兩個公式可以得到的就是：
漢字機內碼 = 區位碼 + 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爲：當一個字符的編碼大於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編碼都是大於a0H的，例如‘鎔’的編碼是 ‘E946’，後面的部分就不滿足大於a0H的條件。
七、Windows下多字節編碼和Unicode的轉換
Windows提供了API函數，可以把Unicode字符數組轉換爲GB2312字符串。其中，Unicode數組在傳入時候最後一個爲0，也就是所謂的null termidated字符串。在函數內部得到要返回字節串的大小，請求空間，進行真正的轉換操作，指針在外部使用後釋放，或者在類中加如其他的操作來處理，比如析構函數中釋放。返回值爲寫到字節串裏數目。
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;
}
注：其中見到有人在使用的時候，申請緩衝區空間時候是申請了(zise + 1)個來，最後一個字節寫''/0''，結束字符串。但是在我調試時候發現：系統給的size已經包含了一個寫入''/0''的字節，而且最後得到的串中，''/0''是已經被系統API寫入了。（也許我的實驗有錯誤，有待驗證）。把Unicode字符數組轉換爲UTF-8和UTF-7的方法類似，只要是WideCharToMultiByte函數的第一個表示代碼頁參數改爲CP_UTF7(65000)和CP_UTF8(65001)。
同樣道理，把多字節轉換爲Unicode字符數組，也有相應的函數。和上面的函數類似，可以通過先提供一個空緩衝區而先得到需要的大小，然後開闢空間得到最後的字符數組。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組，數組大小在極端的情況下（全是ASCII）是和字節數組大小一樣的。
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;
}
注：刪除以前的緩衝區時候的操作，其實沒有必要判斷是不是爲空，因爲刪除空指針是沒有問題的，因爲delete內部提供了這樣的機制。
八、URL 解碼
用IE發送GET請求的時候，URL是用UTF-8編碼的，當對截包數據分析時候就需要對數據解碼，下面的函數是一個簡單的實現：
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) // 後面沒有兩個字符了，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;
}
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
九、總結
常見算法還有MIME等，由於篇幅限制，並且網上已經有很多帖子，在此不再贅述。
對於本文，由於個人能力有限，難免有疏漏的地方，還望指教，共同進步。
|
