摘要：本文在對(duì)各種資料整理后詳細(xì)介紹各種常見編碼的轉(zhuǎn)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(jié)的字符集，稱作通用字符集（UCS），它包含了世界上大多數(shù)可書寫的字符系統(tǒng)。 已定義了兩種多8比特字節(jié)編碼，對(duì)每一個(gè)字符采用四個(gè)8比特字節(jié)編碼的稱為UCS-4，對(duì)每一個(gè)字符采用兩個(gè)8比特字節(jié)編碼的稱為UCS-2。 它們僅能夠?qū)CS的前64K字符進(jìn)行編址，超出此范圍的其它部分當(dāng)前還沒有分配編址。

二、基本多語言面（BMP）

ISO 10646 定義了一個(gè)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(gè)碼位 (0x0000 到 0xFFFD)。 這個(gè)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(gè)獨(dú)立的， 創(chuàng)立單一字符集的嘗試。 一個(gè)是國際標(biāo)準(zhǔn)化組織(ISO)的 ISO 10646 項(xiàng)目； 另一個(gè)是由(一開始大多是美國的)多語言軟件制造商組成的協(xié)會(huì)組織的 Unicode 項(xiàng)目。幸運(yùn)的是， 1991年前后, 兩個(gè)項(xiàng)目的參與者都認(rèn)識(shí)到： 世界不需要兩個(gè)不同的單一字符集。它們合并雙方的工作成果，并為創(chuàng)立一個(gè)單一編碼表而協(xié)同工作。 兩個(gè)項(xiàng)目仍都存在并獨(dú)立地公布各自的標(biāo)準(zhǔn)， 但 Unicode 協(xié)會(huì)和 ISO/IEC JTC1/SC2 都同意保持 Unicode 和 ISO 10646 標(biāo)準(zhǔn)的碼表兼容， 并緊密地共同調(diào)整任何未來的擴(kuò)展。Unicode 標(biāo)準(zhǔn)額外定義了許多與字符有關(guān)的語義符號(hào)學(xué)， 一般而言是對(duì)于實(shí)現(xiàn)高質(zhì)量的印刷出版系統(tǒng)的更好的參考。

四、UTF-8編碼

UCS-2和UCS-4編碼很難在許多當(dāng)前的應(yīng)用和協(xié)議中使用，這些應(yīng)用和協(xié)議假定字符為一個(gè)8或7比特的字節(jié)。 即使新的可以處理16比特字符的系統(tǒng)，卻不能處理UCS-4數(shù)據(jù)。這種情況導(dǎo)致一種稱為UCS轉(zhuǎn)換格式（UTF）的發(fā)展，它每一種有不同的特征。 UTF-8(RFC 2279)，使用了8比特字節(jié)的所有位，保持全部US-ASCII取值范圍的性質(zhì)：US-ASCII字符用一個(gè)8比特字節(jié)編碼，采用通常的US-ASCII值， 因此，在此值下的任何一個(gè)8比特位字節(jié)僅僅代表一個(gè)US-ASCII字符，而不會(huì)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(gè)進(jìn)行相互轉(zhuǎn)換比較容易。
2）多8比特字節(jié)序列的第一個(gè)8比特字節(jié)指明了系列中8比特字節(jié)的數(shù)目。
3）8比特字節(jié)值FE和FF永遠(yuǎn)不會(huì)出現(xiàn)。
4）在8比特字符流中字符邊界從哪里開始較容易發(fā)現(xiàn)。

UTF-8定義:
在UTF-8中，字符采用1到6個(gè)8比特字節(jié)的序列進(jìn)行編碼。僅僅一個(gè)8比特字節(jié)的一個(gè)序列中，字節(jié)的高位為0，其他的7位用于字符值編碼。n （n>1）個(gè)8比特字節(jié)的一個(gè)序列中，初始的8比特字節(jié)中高n位為1，接著一位為0，此字節(jié)余下的位包含被編碼字符值的位。接著的所有8比特字節(jié)的 最高位為1，接著下一位為0，余下每個(gè)字節(jié)6位包含被編碼字符的位。

下表總結(jié)了這些不同的8比特字節(jié)類型格式。字母x指出此位來自于進(jìn)行編碼的UCS-4字符值。

 

   UCS-4范圍（16進(jìn)制）     UTF-8 系列（二進(jìn)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(guī)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(jié)數(shù)目。著重指出的是上表中的行是相互排斥的，也就是說，對(duì)于一個(gè)給定的UCS-4字符，僅僅有一個(gè)有效的編碼。
2）按照上表中第二列每行那樣準(zhǔn)備8比特字節(jié)的高位。
3）將UCS字符值的位，從低位起填充在標(biāo)記為x地方。從UTF8序列中最后一個(gè)字節(jié)填起，然后剩下的字符值依次放到前一個(gè)字節(jié)中，如此重復(fù)，直到所有標(biāo)記位x的位都進(jìn)行了填充。

這里我們僅僅實(shí)現(xiàn)Unicode到UTF8的轉(zhuǎn)換，Unicode都是兩個(gè)字節(jié)，定義為:

typedef usigned short WCHAR

// 輸出的UTF8編碼至多是3個(gè)字節(jié)。

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(gè)0值的8比特字節(jié)來擴(kuò)展每個(gè)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(duì)（用Unicode說法是代理對(duì)），實(shí)際上是通過UTF-16來進(jìn)行UCS-4字符轉(zhuǎn)換，因此需要特別對(duì)待：UTF-16轉(zhuǎn)換必須未完 成，先轉(zhuǎn)換到于UCS-4字符，然后按照上面過程進(jìn)行轉(zhuǎn)換。

從UTF-8到UCS-4解碼過程如下：
1）初始化UCS-4字符4個(gè)8比特字節(jié)的所有位為0。
2）根據(jù)序列中8比特字節(jié)數(shù)和上表中第二列（標(biāo)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(gè)8比特字節(jié)的最低位開始，接著向左進(jìn)行，直到所有標(biāo)記為x的位完成。如果UTF-8序列長度不大于3個(gè)8比特字節(jié)，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(shí)際實(shí)現(xiàn)應(yīng)該進(jìn)行安全保護(hù)，以便處理解碼無效的系列。例如:實(shí)現(xiàn)可能（錯(cuò)誤）解碼無效的UTF-8系列0xC0 0x80為字符U+0000，它可能導(dǎo)致安全問題或其他問題（比如把0當(dāng)作數(shù)組結(jié)束標(biāo)志）。更詳細(xì)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(duì) Unicode 碼進(jìn)行轉(zhuǎn)換的編碼。它的設(shè)計(jì)目的仍然是為了在只能傳遞 7 為編碼的郵件網(wǎng)關(guān)中傳遞信息。 UTF-7 對(duì)英語字母、數(shù)字和常見符號(hào)直接顯示，而對(duì)其他符號(hào)用修正的 Base64 編碼。符號(hào) + 和 - 號(hào)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(hào)和 - 號(hào)，這就有可能是 UTF-7 編碼。

協(xié)議中定義的轉(zhuǎn)換規(guī)則：
1）集合D中的Unicode字符可以直接的編碼為ASCII的等值字節(jié)。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(jié)，但要記得其中的很多的字符在報(bào)頭字段是不合法的，或者不能正確的穿過郵件網(wǎng)關(guān)。
2）通過在前面加上轉(zhuǎn)換字符"+"，任何一個(gè)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(jié)將被作為 更改過的BASE64字母表中的元素解析，直到遇到一個(gè)不是字母表中的字符為止。這些字符中會(huì)包含控制字符，比如回車和換行；因此，一個(gè)Unicode轉(zhuǎn) 換序列總是在一行上結(jié)束。注釋：有兩個(gè)特殊的情形："+-"表示''+''，"+ …… --"表示有一個(gè)真正的''-''字符出現(xiàn)了。多數(shù)情況是沒有''-''標(biāo)記結(jié)束。
3）空格、tab、回車和換行字符可以直接使用ASCII等價(jià)字節(jié)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(guān)數(shù)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(shí)候，我們需要對(duì)一個(gè)字節(jié)判斷屬于哪類字符，以便確定處理規(guī)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(gè)256長的數(shù)組，那么對(duì)于每一個(gè)字節(jié)的值，就可以定義一個(gè)類型。判斷時(shí)候，對(duì)每個(gè)字符都直接取數(shù)組的值。

// 注：為了解碼base64編碼部分的字符，需要一個(gè)哈希表，對(duì)一個(gè)base64字符都可以直接得到0-64之間的一個(gè)數(shù)：
byte base64Value[128];

這兩個(gè)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(zhuǎn)換時(shí)候，是與當(dāng)前字符是與狀態(tài)有關(guān)的，也就是說：
1）正處于Base64編碼狀態(tài)中
2）正處于直接編碼狀態(tài)中
3）現(xiàn)在UTF-7的緩沖區(qū)里，當(dāng)前的字符是轉(zhuǎn)換開關(guān)"+"

所以要定義相關(guān)的字段：

// the state of current character 
#define    IN_ASCII    0
#define    IN_BASE64    1
#define AFTER_PLUS    2

在使用規(guī)則2進(jìn)行編碼時(shí)候，需要使用base64的方法，也就需要2個(gè)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(gè)Unicode字符轉(zhuǎn)化為一個(gè)UTF-7序列：返回寫到緩沖區(qū)里的字節(jié)數(shù)目，函數(shù)影響了state，nbits，bitBuffer三個(gè)全局變量。 這里先實(shí)現(xiàn)了一個(gè)簡單的輔助函數(shù)，功能是把一個(gè)Unicode字符轉(zhuǎn)變后寫到提供的緩沖區(qū)中，返回寫入的字節(jié)個(gè)數(shù)。在開始編碼Unicode字符數(shù)組中第 一個(gè)字符的時(shí)候，state，nbits，bitBuffer三個(gè)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(duì)于合法的Unicode字符數(shù)組，可以通過逐個(gè)輸入數(shù)組中的字符，連續(xù)調(diào)用上面的函數(shù)，得到一個(gè)UTF-7字節(jié)序列。需要說明的是：最后一個(gè)Unicode字符應(yīng)該是上面三個(gè)字節(jié)數(shù)組中某個(gè)字符的等值。

下面，我們實(shí)現(xiàn)一個(gè)簡單的說明函數(shù)，功能是：輸入一個(gè)UTF-7字節(jié)，可能得到并返回一個(gè)合法Unicode字符；也可能不能得到，比如遇到''+''或者因?yàn)檫€沒有完成一個(gè)字符的拼裝，這時(shí)返回一個(gè)標(biāo)志字符0xfeff，這個(gè)字符常用來標(biāo)志Unicode編碼。

注：函數(shù)影響了state，nbits，bitBuffer三個(gè)全局變量。在開始處理第一個(gè)字節(jié)時(shí)候，變量需要被初始化為：



說明：對(duì)于一個(gè)UTF-7序列，可以通過連續(xù)輸入字節(jié)并調(diào)用上面的函數(shù)，判斷返回值，得到一個(gè)Unicode字符數(shù)組。

六、GB2312編碼中漢字的確定

最早，表示漢字的區(qū)位碼中，分為94個(gè)區(qū)，每個(gè)區(qū)94個(gè)漢字，1-15區(qū)是西文字符，圖形等，16-5為一級(jí)漢字，56-87為二級(jí)漢字，87區(qū)以上為新 字用。而我們?cè)赪indows默認(rèn)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(biāo)碼，和區(qū)位碼的換算為：

國標(biāo)碼 = 區(qū)位碼 + 2020H

而在漢字在計(jì)算機(jī)內(nèi)表示的時(shí)候?yàn)楸ＷCASCII碼和漢字編碼的不混淆，又做了一個(gè)換算：

漢字機(jī)內(nèi)碼 = 國標(biāo)碼 + 8080H

所以，真正的在Windows上的GB2312漢字編碼是機(jī)內(nèi)碼，從上邊的兩個(gè)公式可以得到的就是：

漢字機(jī)內(nèi)碼 = 區(qū)位碼 + a0a0H

一個(gè)漢字的編碼最少要a0a0H，因此我們?cè)贑String中辨別漢字的時(shí)候可以認(rèn)為：當(dāng)一個(gè)字符的編碼大于a0的時(shí)候它應(yīng)該是漢字的一個(gè)部分。但是也有 特殊的情況的，不是每個(gè)漢字的兩個(gè)字節(jié)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(jié)編碼和Unicode的轉(zhuǎn)換

Windows提供了API函數(shù)，可以把Unicode字符數(shù)組轉(zhuǎn)換為GB2312字符串。其中，Unicode數(shù)組在傳入時(shí)候最后一個(gè)為0，也就是所謂 的null termidated字符串。在函數(shù)內(nèi)部得到要返回字節(jié)串的大小，請(qǐng)求空間，進(jìn)行真正的轉(zhuǎn)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(gòu)函數(shù)中釋放。返回值為寫到字節(jié)串里數(shù)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(shí)候，申請(qǐng)緩沖區(qū)空間時(shí)候是申請(qǐng)了(zise + 1)個(gè)來，最后一個(gè)字節(jié)寫''\0''，結(jié)束字符串。但是在我調(diào)試時(shí)候發(fā)現(xiàn)：系統(tǒng)給的size已經(jīng)包含了一個(gè)寫入''\0''的字節(jié)，而且最后得到的串 中，''\0''是已經(jīng)被系統(tǒng)API寫入了。（也許我的實(shí)驗(yàn)有錯(cuò)誤，有待驗(yàn)證）。把Unicode字符數(shù)組轉(zhuǎn)換為UTF-8和UTF-7的方法類似，只要 是WideCharToMultiByte函數(shù)的第一個(gè)表示代碼頁參數(shù)改為CP_UTF7(65000)和CP_UTF8(65001)。

同樣道理，把多字節(jié)轉(zhuǎn)換為Unicode字符數(shù)組，也有相應(yīng)的函數(shù)。和上面的函數(shù)類似，可以通過先提供一個(gè)空緩沖區(qū)而先得到需要的大小，然后開辟空間得到 最后的字符數(shù)組。但是考慮到效率，可以適當(dāng)犧牲一些空間，提供一個(gè)足夠大的字符數(shù)組，數(shù)組大小在極端的情況下（全是ASCII）是和字節(jié)數(shù)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(qū)時(shí)候的操作，其實(shí)沒有必要判斷是不是為空，因?yàn)閯h除空指針是沒有問題的，因?yàn)閐elete內(nèi)部提供了這樣的機(jī)制。

八、URL 解碼

用IE發(fā)送GET請(qǐng)求的時(shí)候，URL是用UTF-8編碼的，當(dāng)對(duì)截包數(shù)據(jù)分析時(shí)候就需要對(duì)數(shù)據(jù)解碼，下面的函數(shù)是一個(gè)簡單的實(shí)現(xiàn)：



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(cè).chm

九、總結(jié)
常見算法還有MIME等，由于篇幅限制，并且網(wǎng)上已經(jīng)有很多帖子，在此不再贅述。
對(duì)于本文，由于個(gè)人能力有限，難免有疏漏的地方，還望指教，共同進(jìn)步。