深入浅出字符编码

本文对应视频链接： 深入浅出字符编码

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：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-F3agEKhs-1683503222799)(/img/bVbL2Tz)]

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：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-2uHepWzK-1683503222800)(/img/bVbL2TR)]

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：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-aBwxtXQi-1683503222801)(/img/bVbL2VW)]

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：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-fMLaQbSs-1683503222803)(/img/bVbL3r4)]

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：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-3mO5W6ia-1683503222804)(/img/bVbL3sd)]

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：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-ccKXwgxb-1683503222805)(/img/bVbL3Yp)]

将GBK转换为UTF-8也是同样的操作，此处就不做演示了。

推荐一个零声学院免费教程，个人觉得老师讲得不错，分享给大家：[Linux，Nginx，ZeroMQ，MySQL，Redis，

fastdfs，MongoDB，ZK，流媒体，CDN，P2P，K8S，Docker，

TCP/IP，协程，DPDK等技术内容，点击立即学习: C/C++Linux服务器开发/高级架构师