什么是编码格式

从一个小问题引入

我们在学习C语言的时候，有一道必做的题目是将大写字母转换成小写，相信有点基础的同学都能不加思索的写出下面的代码：char toLower(char upper){

if (upper >= 'A' && upper <= 'Z'){

return upper + 32;

}else{

return upper;

}

}

要问为什么是这段代码？我们往往也能说得出：因为大小写字母在ASCII码上正好相差32(字符'a'为97， 字符'A'为65)。

我们在进行字符初始化的时候，往往会将字符初始化为'\0'。因为'\0'在ASCII码中对应的数值是0。

我们理所应当地知道char型字符对应的范围是0~127，因为ASCII码的范围就是0~127。

但是有没有想过，为什么是ASCII码？

所谓的ASCII码，又到底是什么？

编码格式介绍

要说起ASCII码，不得不说起编码格式。

我们知道，对于计算机来说，我们在屏幕上看到的千姿百态的文字、图片、甚至视频是不能直接识别的，而是要通过某种方式转换为0和1组成的二进制的机器码，最终被计算机识别(0为低电平，1为高电平)。

对于数字来说，有一套非常成熟的转换方案，就是将十进制的数字转换为二进制，就能直接被计算机识别(如5转换为二进制是 0000 0101)。但是对于像ABCD这样的英文字母，还有!@#$这样的特殊符号，计算机是不能直接识别的，所以就需要有一套通用的标准来进行规范。

这套规范就是ASCII码。

ASCII码使用127个字符，表示A~Z等26个大小写字母，包含数字0~9，所有标点符号以及特殊字符，甚至还有不能在屏幕上直接看到的比如回车、换行、ESC等。

按照这套SACII的编码标准，就很容易的知道，'\0'代表的是0， 'A'代表的是65，而'a'代表的是97，'A'和'a'之间正好相差了32。

ASCII码虽然只有127位，但基本实现了对所有英文的支持。所以为什么说char类型只占1个字节？因为char型最大的数字是127，转成二进制也不过是0111 1111,只需要1个字节就能表示所有的char型字符，因此char只占1个字节。

但是随着计算机的普及，计算机不但要处理英文，还有汉字、甚至希腊文字、韩文、日文等诸多文字，这时，127个字符肯定不够了，这时就引入了Unicode的概念。

Unicode是一个编码字符集，它基本涵盖了世界上绝大多数的文字(只有极少数没有包含)，在Unicode中文对照表中可以查看一些汉字的Unicode字符集。

比如，汉字”七“在Unicode表示为十六进制0x4e03，表示成二进制位0100 1110 0000 0011，占了15位，至少需要两个字节才能放得下，有些更复杂的生僻字，可能占用的字节数甚至不止两位。

这就面临着一个问题，当一个中英文夹杂的字符串输入到电脑的时候，计算机是如何知道它到底是什么的？

就像上面的0100 1110 0000 0011，它到底是表示的是0100 1110和0000 0011两个ASCII字符，还是汉字”七“？计算机并不知道。所以就需要一套规则来告诉计算机，到底该按照什么来解析。这些规则，就是字符编码格式。

其中就包括以下几种。ASCII

UTF-8

GBK

GB2312

GB18030

BIG5

ISO8859

编码格式分类

ASCII

ASCII 编码前面已经介绍过，此处就不再多说了。它使用0~127这128位数字代表了所有的英文字母以及数字、标点、特殊符号和键盘上有但屏幕上看不见的特殊按键。

它的优点是仅用128个数字就实现了对英文的完美支持，但是缺点也同样明显，不支持中文等除英文以外的其他语言文字。

因此，ASCII码基本可以看做是其他字符编码格式的一个子集，其他字符编码都是在ASCII码的基础上实现了一定的扩展，但毫无意外地，都实现了对ASCII码的兼容。

UTF-8

在汉字环境下，UTF-8可以说是最常见的编码。它是Windows系统默认的文本编码格式。

UTF-8是一种变长的编码方式，最大可以支持到6位。这就意味着他可以有效地节省空间(在后面介绍GBK的时候，会讲GBK是固定长度的编码方式)。

那么，UTF8是如何知道当前所要表达的字符是几个字节呢？

在UTF8中，它以首字节的高位作为标识，用来区别当前字节的长度。其规则大致如下：1字节 0xxxxxxx (范围：0x00-0x7F)

2字节 110xxxxx 10xxxxxx (范围：0x80-0x7ff)

3字节 1110xxxx 10xxxxxx 10xxxxxx (范围：0x800-0xffff)

4字节 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx (范围：0x10000-0x10ffff)

5字节 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

6字节 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

如上面的汉字”七“的unicode码是0x4e03，在0x800-0xffff区间，所以是3字节，用UTF-8表示就是11100100 10111000 10000011(十六进制表示为0xe4b883)。

"七"的Unicode码是0100 1110 0000 0011，可为什么是这个数呢？

根据3字节的填充规则，从右往左，依次填充x的位置：0100     111000     000011

+

1110xxxx 10xxxxxx 10xxxxxx

=

11100100 10111000 10000011

事实上，utf-8编码下，汉字都为3字节。

实际上UTF家族除了UTF-8外，还有UTF-16、UTF-32等，由于不太常用，此处也就不展开讨论了。

GBK/GB2312/GB18030

GB就是”国标“的拼音开头，顾名思义，以GB开头的编码都是中国人专门为支持汉语而设计的编码格式。但这三者又有区别，最早出现的是GB2312，它收录了6763个汉字，基本满足了计算机对汉字的处理需要。

GB2312使用双字节表示一个汉字。对汉字进行分区处理。每个区含有94个汉字(或符号)，这种表示方式称之为区位码。01-09 区为特殊符号。

16-55 区为一级汉字，按拼音排序。

56-87 区为二级汉字，按部首／笔画排序。

10-15 区及 88-94 区则未有编码。

GB2312编码范围：A1A1－FEFE，其中汉字编码范围：B0A1-F7FE。表示汉字时，第一字节0xB0-0xF7(对应区号：16－87)，第二个字节0xA1-0xFE(对应位号：01－94)。

GBK是在GB2312基础上的扩展。GBK的K就是扩展的”扩“的拼音首字母。因此，GBK向下兼容GB2312。

GBK也使用双字节表示汉字，其中首字节范围0x81-0xfe，第二个字节范围0x40-0xfe，剔除0x7F一条线。因此，GBK所能表示的汉字比GB2312要多得多(能表示21886个汉字)。

GB18030是最新的内码字集，可以表示70244个汉字。它与UTF-8类似，采用多字节编码，每个汉字由1、2、4个字节组成。单字节，其值从 0 到 0x7F，与 ASCII 编码兼容。

双字节，第一个字节的值从 0x81 到 0xFE，第二个字节的值从 0x40 到 0xFE(不包括0x7F)，与 GBK 标准兼容。

四字节，第一个字节的值从 0x81 到 0xFE，第二个字节的值从 0x30 到 0x39，第三个字节从0x81 到 0xFE，第四个字节从 0x30 到 0x39。

如果你看到这个地方已经觉得很乱了，不要紧。我们只需要知道，在GB打头的编码格式下，我们能够用键盘敲出来的，你在电脑上所看见的所有汉字，都是双字节的(四字节的汉字极少，只有一些极少数不常用的生僻字用到)。

BIG5

BIG5，从字面翻译来看，叫做”大五码“，它主要用来表示中文繁体字。

它也是用双字节表示一个汉字，其中高位字节使用了0x81-0xFE，低位字节使用了0x40-0x7E，及0xA1-0xFE。。

这种编码格式用的比较少，此处就不展开说了。

汉字编码

上面介绍的几种编码格式，UTF-8、GBK等都支持汉字，但是标准不同，因此，在实际进行开发的过程中，对汉字的处理也不尽相同。

如何判断汉字编码

无论是UTF-8、GBK，还是GB18030，或者BIG5，它都是向下兼容ASCII的，为了区分ASCII码和汉字，在汉字的高位补1。

这也就是说，如果我们以int的形式取出单个字符的值，汉字都是小于0的。

因此，判断是否是汉字也就变得简单了：enum boolean{true, false};

typedef int boolean;

boolean isChinese(char ch){

return (ch < 0) ? true : false;

}

写一段代码验证一下：void test01(){

char str[20];

memset(str, 0, sizeof(str));

strcpy(str, "hello汉字");

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

if (isChinese(str[i]) == true){

printf("str[%d]: Chinese\n", i);

}else{

printf("str[%d]: English\n", i);

}

}

}

我们在main函数里调用test01函数，得到如下结果：

因为在utf-8下，一个汉字占3字节，所以后面从5~10这6个字节正好代表着2个汉字。

如果我们把编码改成GB2312，运行可以得到如下结果：

可以看到，只有最后4个字节是汉字，充分说明了GB2312编码格式下，一个汉字占2个字节。

如何处理汉字截断问题

如果我们把上面的字符串按字符打印出来，得到下面的结果：

可以看到，所有的汉字都乱码了，原因就在于，UTF-8编码下，每个汉字占3个字节，一个字节不足以表示完整的汉字，所以打印出来都是乱码的。

在实际开发中，比较常见的需要处理的问题是，截取一定长度的字符串，但是如果截取的位置正好是个汉字，难免会遇到汉字被截断的问题。

那么，这类问题如何处理呢？

根据汉字的编码规则，我们知道，UTF-8和GBK对汉字的处理是不一样的。

UFT-8一个汉字是3字节，且规则如下：1110xxxx 10xxxxxx 10xxxxxx

所以，我们很容易知道，汉字的首字节范围为11100000~11101111,转成十六进制为0xe0~0xef，第二、三字节的范围为10000000~10111111，转成十六进制范围为0x80~0xbf。

所以UTF-8的汉字截断问题处理可以如下：void HalfChinese_UTF8(const char *input, size_t input_len, char *output, size_t *output_len)

{

char current = *(input + input_len);

if (isChinese(current) == false)

{

*output_len = input_len;

strncpy(output, input, *output_len);

return;

}

//汉字

*output_len = input_len;

//1110xxxx 10xxxxxx 10xxxxxx

//第二位和第三位的范围是10000000~10ffffff，转成十六进制是0x80~0xbf，在这个范围内都说明是汉字被截断

while ((current&0xff) < 0xc0 && (current&0xff) >= 0x80)

{

(*output_len)++;

current = *(input + *output_len);

}

strncpy(output, input, *output_len);

}

该函数有四个参数，其中input和input_len作为原始输入，input_len代表需要截取的位置，output和output_len作为输出，output为截断处理后的字符串，output_len为截断处理后的长度。

我们使用下面的代码进行测试：void test02()

{

char in[20], out[20];

memset(in, 0, sizeof(in));

memset(out, 0, sizeof(out));

strcpy(in, "hello汉字");

size_t out_len = 0;

for (int i = 1; i <= strlen(in); i++)

{

HalfChinese_UTF8(in, i, out, &out_len);

printf("out: %s\n", out);

}

}

运行后结果如下：

如果是GBK编码，要稍微麻烦一点。因为我们知道，GBK是双字节表示汉字，且第一个字节的值从 0x81 到 0xFE，第二个字节的值从 0x40 到 0xFE(不包括0x7F)，单从字符的值无法判断到底是汉字的首字节还是后一个字节(因为二者的值有重复部分)。

如果字符串纯为汉字倒还好办，我们已经知道汉字占2个字节，直接根据长度的奇偶来判断就可以，但如果是中英文夹杂就不能采用这种方式了。

在这里，我使用的是先对字符串进行一道过滤处理，判断字符串中除掉英文字符后纯汉字的长度，如果为奇数，代表汉字被截断，加1就能取其完整的汉字，如果是偶数，说明正好是一个完整的汉字，无需处理，直接返回即可。

代码实现如下：void HalfChinese_GBK(const char *input, size_t input_len, char *output, size_t *output_len){

char current = *(input + input_len);

if (isChinese(current) == false)

{

*output_len = input_len;

strncpy(output, input, *output_len);

return;

}

*output_len = input_len;

if (MoveEnglish(input, input_len) %2 != 0){

(*output_len)++;

}

strncpy(output, input, *output_len);

}

int MoveEnglish(const char *input, size_t input_len){

int out_len = input_len;

for (int i = 0; i < input_len; i++)

{

if (isChinese(input[i]) == false){

out_len++;

}

}

return (out_len > 0) ? out_len : 0;

}

同样使用上面的测试代码进行测试，得到如下结果：

如何实现编码之间互相转换

既然编码格式这么多，那么怎么进行编码之间的转换呢？

在C语言下，主要是利用系统的iconv函数完成。

iconv函数包含在头文件iconv.h中，其函数原型如下所示：size_t iconv (iconv_t __cd, char **__restrict __inbuf,

size_t *__restrict __inbytesleft,

char **__restrict __outbuf,

size_t *__restrict __outbytesleft);

第一个参数是转换的一个句柄，由iconv_open函数创建，第二个参数是输入的字符串，第三个参数是输入字符串的长度，第四个参数是转换后的输出字符串，第五个参数是输出字符串的长度。在编码转换完成之后，需要调用iconv_close函数关闭句柄。所以完整的调用顺序为：iconv_open打开iconv句柄

调用iconv进行编码转换

iconv_close关闭句柄

还有一点需要注意的是，__inbytesleft和__outbytesleft的长度，因为不同编码对于汉字的处理字节数不同，比如从UTF-8转换为GBK，同样都是两个汉字，转换前长度为6，转换后长度为4。也就是说，在编码转换过程中，字符串可能会变长或缩短，如果长度不正确，很容易造成越界，从而导致错误。

完整的编码转换功能封装如下：boolean convert_encoding(char *in, size_t in_len, char *out, size_t out_len, const char *from, const char *to)

{

if (strcasecmp(from, to) == 0){

size_t len = (in_len < out_len) ? in_len : out_len;

memcpy(out, in, len);

return true;

}

iconv_t cd = iconv_open(from, to);

if (cd == (iconv_t)-1){

printf("iconvopen err\n");

return false;

}

size_t inbytesleft = in_len;

size_t outbytesleft = out_len;

char *src = in;

char *dst = out;

size_t nconv;

nconv = iconv(cd, &src, &inbytesleft, &dst, &outbytesleft);

if (nconv == (size_t)-1){

if (errno == EINVAL){

printf("EINVAL\n");

} else {

printf("error:%d\n", errno);

}

}

iconv_close(cd);

return true;

}

注意，由于使用到了libiconv，编译时需要加-liconv进行链接。

测试代码如下：void test04()

{

char in[20], out[20];

memset(in, 0, sizeof(in));

memset(out, 0, sizeof(out));

strcpy(in, "hello汉字world");

if (false == convert_encoding(in, strlen(in), out, 20, "utf-8", "gbk")){

printf("failed\n");

return;

}

printf("in: %s\nout:%s\n", in, out);

}

以上代码运行结果如下所示：

将GBK转换为UTF-8也是同样的操作，此处就不做演示了。