摘要：本文在對各種資料整理后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]定義了一種多于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比特字節編碼的稱為UCS-4，對每一個字符采用兩個8比特字節編碼的稱為UCS-2。 它們僅能夠對UCS的前64K字符進行編址，超出此范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，迄今為止只分配了前65534個碼位 (0x0000 到 0xFFFD)。 這個UCS的16位子集稱為 “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)多語言軟件制造商組成的協會組織的 Unicode 項目。幸運的是， 1991年前后, 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。它們合并雙方的工作成果，并為創立一個單一編碼表而協同工作。 兩個項目仍都存在并獨立地公布各自的標準， 但 Unicode 協會和 ISO/IEC JTC1/SC2 都同意保持 Unicode 和 ISO 10646 標準的碼表兼容， 并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， 一般而言是對于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為一個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為UCS轉換格式（UTF）的發展，它每一種有不同的特征。 UTF-8(RFC 2279)，使用了8比特字節的所有位，保持全部US-ASCII取值范圍的性質：US-ASCII字符用一個8比特字節編碼，采用通常的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，而不會為其他字符。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比特字節指明了系列中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里開始較容易發現。

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，字節的高位為0，其他的7位用于字符值編碼。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位為1，接著一位為0，此字節余下的位包含被編碼字符值的位。接著的所有8比特字節的 最高位為1，接著下一位為0，余下每個字節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指出此位來自于進行編碼的UCS-4字符值。

 

   UCS-4范圍（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。著重指出的是上表中的行是相互排斥的，也就是說，對于一個給定的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為x地方。從UTF8序列中最后一個字節填起，然后剩下的字符值依次放到前一個字節中，如此重復，直到所有標記位x的位都進行了填充。

這里我們僅僅實現Unicode到UTF8的轉換，Unicode都是兩個字節，定義為:

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，先轉換到于UCS-4字符，然后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比特字節的所有位為0。
2）根據序列中8比特字節數和上表中第二列（標記為x位）來決定哪些位編碼用于字符值。
3）從編碼序列分配位到UCS-4字符。首先從序列最后一個8比特字節的最低位開始，接著向左進行，直到所有標記為x的位完成。如果UTF-8序列長度不大于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為字符U+0000，它可能導致安全問題或其他問題（比如把0當作數組結束標志）。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為了在只能傳遞 7 為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，并且相伴有 + 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為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為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。"+"意味著后面的字節將被作為 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為止。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。注釋：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。

那么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于哪類字符，以便確定處理規則，如果簡單的使用范圍比較的方式，效率很低，我們采用哈希表的思路：建立一個256長的數組，那么對于每一個字節的值，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。

// 注：為了解碼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）正處于Base64編碼狀態中
2）正處于直接編碼狀態中
3）現在UTF-7的緩沖區里，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字符轉化為一個UTF-7序列：返回寫到緩沖區里的字節數目，函數影響了state，nbits，bitBuffer三個全局變量。 這里先實現了一個簡單的輔助函數，功能是把一個Unicode字符轉變后寫到提供的緩沖區中，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：對于合法的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：最后一個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，可能得到并返回一個合法Unicode字符；也可能不能得到，比如遇到''+''或者因為還沒有完成一個字符的拼裝，這時返回一個標志字符0xfeff，這個字符常用來標志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，變量需要被初始化為：



說明：對于一個UTF-7序列，可以通過連續輸入字節并調用上面的函數，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，分為94個區，每個區94個漢字，1-15區是西文字符，圖形等，16-5為一級漢字，56-87為二級漢字，87區以上為新 字用。而我們在Windows默認的編碼，GB2312（1981年國家頒布的《信息交換用漢字編碼字符集基本集》）國標碼，和區位碼的換算為：

國標碼 = 區位碼 + 2020H

而在漢字在計算機內表示的時候為保證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為：當一個字符的編碼大于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于a0H的，例如‘镕’的編碼是 ‘E946’，后面的部分就不滿足大于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字符數組轉換為GB2312字符串。其中，Unicode數組在傳入時候最后一個為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，指針在外部使用后釋放，或者在類中加如其他的操作來處 理，比如析構函數中釋放。返回值為寫到字節串里數目。

	

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，申請緩沖區空間時候是申請了(zise + 1)個來，最后一個字節寫''\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，而且最后得到的串 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字符數組轉換為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為CP_UTF7(65000)和CP_UTF8(65001)。

同樣道理，把多字節轉換為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沖區而先得到需要的大小，然后開辟空間得到 最后的字符數組。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：刪除以前的緩沖區時候的操作，其實沒有必要判斷是不是為空，因為刪除空指針是沒有問題的，因為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：



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，由于篇幅限制，并且網上已經有很多帖子，在此不再贅述。
對于本文，由于個人能力有限，難免有疏漏的地方，還望指教，共同進步。

<dl id="eagay"></dl>