背景
计算机是美国人发明的,美国人最初要往计算机存储数据的时候,那些数据往往只由英文字母(大小写)、数字、标点符号、特殊字符构成,总量被凑到128个。于是美国人就为这些字符编制了码点,一个字符对应一个码点,码点的范围是0~127。
于是计算机要存储的字符,会先转换为码点,码点存储在计算机中就以二进制的形式存在。由于码点用7个bit就可表示完整,于是首位bit统一设为0,一共占据了8个bit,也就是一个字节。
字符、码点、二进制数据的对应关系,也被叫做ASCII(American Standard Code for Information Interchange),美国信息交换标准代码。对于美国人来说完全够用了。
GBK
GBK,guojia biaozhun kuozhan。计算机传入中国之后,对于中国人来说,128个字符是完全不够用的,于是国家规定了汉字字符集,GBK便是其中一种。
GBK兼容了ASCII字符集的同时,还兼容了2万多个汉字,因此GBK的汉字字符集部分用2个字节存储码点。
GBK的汉字字符集对应的二进制数据除了占据2个字节,还以1开头。ascii码下的字符则保持原样。
举例:
我a你。在计算机中对应的二进制数据是:1xxxxxxx xxxxxxxx 0xxxxxxx 1xxxxxxx xxxxxxxx。
当把二进制数据转换为中文字符的之后,碰到1开头的数据,就知道要连着包括1在内的16个bit(2个字节)的数据一起转换为中文。
Unicode
Unicode,Universal Coded Character Set。是国际组织制定的,可以容纳全世界所有文字、符号的字符集。用32个bit(4个字节)表示一个字符,能完整覆盖全世界的文字与符号。
UTF-8
Unicode字符集的出发点是好的,但是太过奢侈,比如对于中文来说,用unicode的形式存储字符,每存储一个中文就比GBK多消耗2个字节。
为了解决存储空间开销过大的问题,国际组织基于unicode字符集,又推出了UTF-8字符集。·UTF-8字符集是unicode字符集分支而出的一种编码方案,采取可变长编码方案,共分四个长度区:1个字节,2个字节,3个字节,4个字节,按需而定。
英文字符、数字等,只占1个字节,汉字字符占用3个字节。
Utf-8的编码规则:
只占1个字节的字符,必须要以0开头。
占据2个字节的字符,第一个字节开头必须是110,第二个字节开头必须是10。
占据3个字节的字符,第一个字节开头必须是1110,第二、三个字节开头必须是10。
占据4个字节的字符,第一个字节开头必须是11110,第二、三、四个字节开头必须是10。
举例:
A我m,用utf-8编码,二进制数据如下:
乱码
以“a我m”字符串为例,存储的时候以utf-8编码,
存储为:01100001 1110xxxx 10xxxxxx 10xxxxxx 01101101
解码的时候以gbk解码:
1、计算机先分别把01100001、01101101解码为a和m,无错。
2、然后把1开头的字节解码为汉字,无法识别,无法匹配规则,产生乱码。
编码注意事项
开发人员尽量以utf-8编码。
数字和英文字符几乎不会乱码。
存储时的编码方式,和解码时候的编码方式,必须一致。
Utf-8和gbk字符串互相转码
思路:如果想把一个字符串从一种编码方式转为另一种编码方式,先转码为unicode,然后再从unicode转为另一种编码。
用python实现gbk字符转utf-8字符串:
# 定义一个以GBK编码的字符串 gbk_string = "中文字符串".encode('gbk') # 将以GBK编码的字符串解码为Unicode字符串 unicode_string = gbk_string.decode('gbk') # 将Unicode字符串编码为UTF-8 utf8_string = unicode_string.encode('utf-8') # 输出UTF-8编码的字符串 print(utf8_string.decode('utf-8'))
用python实现utf-8字符转gbk字符串:
# 定义一个以utf-8编码的字符串 utf8_string = "中文字符串".encode('utf-8') # 将以utf-8编码的字符串解码为Unicode字符串 unicode_string = utf8_string.decode('utf-8') # 将Unicode字符串编码为GBK gbk_string = unicode_string.encode('gbk') # 输出gbk编码的字符串 print(gbk_string.decode('gbk'))
Utf-8和gbk的buf互相转码
字符串是以\0为结尾的,buf则是不以\0结尾,但是会告知有效长度。
比如【hello\0】这个字符串,替换成buf就是【hello】和5;
此处我们基于C语言完成。
首先创建一个gbk编码的文件:
echo "a中文内容b" | iconv -f UTF-8 -t GBK -o gbk.txt
其次我们将这个文件读取并转为utf-8格式输出。思路是读取gbk文件之后,存储成一个字符串,但是我们给convertGBKtoUTF8传入的gbk字符串的buf和buf长度。在convertGBKtoUTF8函数内部对gbk字符串完成的转换存入了utf8字符串中。
#include <stdio.h> #include <stdlib.h> #include <string.h> #include <iconv.h> char* readGBKFile(const char* filename) { FILE* file = fopen(filename, "rb"); if (file == NULL) { printf("无法打开文件 %s\n", filename); return NULL; } // 获取文件大小 fseek(file, 0, SEEK_END); long file_size = ftell(file); rewind(file); // 分配内存用于存储文件内容 char* buffer = (char*)malloc(file_size+1); if (buffer == NULL) { printf("内存分配失败\n"); fclose(file); return NULL; } // 读取文件内容 size_t bytes_read = fread(buffer, 1, file_size, file); buffer[bytes_read] = '\0'; if(buffer[bytes_read-1] == '\n' )buffer[bytes_read-1] = '\0'; fclose(file); return buffer; } char* convertGBKtoUTF8(const char* gbkBuf,size_t gbkBuflen) { size_t utf8Buflen = gbkBuflen * 3; // UTF-8最多需要3个字节表示一个字符 char* utf8Buf = (char*)malloc(utf8Buflen + 1); if (utf8Buf == NULL) { printf("内存分配失败\n"); return NULL; } memset(utf8Buf, 0, utf8Buflen + 1); iconv_t cd = iconv_open("UTF-8", "GBK"); if (cd == (iconv_t)-1) { printf("字符集转换初始化失败\n"); free(utf8Buf); return NULL; } const char* inbuf = gbkBuf; char* outbuf = utf8Buf; size_t inbytesleft = gbkBuflen; size_t outbytesleft = utf8Buflen; if (iconv(cd, (char**)&inbuf, &inbytesleft, &outbuf, &outbytesleft) == (size_t)-1) { printf("字符集转换失败\n"); free(utf8Buf); iconv_close(cd); return NULL; } iconv_close(cd); return utf8Buf; } int main() { const char* filename = "gbk.txt"; char* gbkString = readGBKFile(filename); int gbkLength = 0; if (gbkString != NULL) { printf("gbkString:%s,gbkLength:%ld\n", gbkString,strlen(gbkString)); gbkLength = strlen(gbkString); } // char* utf8String = convertGBKtoUTF8(gbkString,gbkLength); if (utf8String != NULL) { printf("UTF-8buf:%s,UTF-8buflen:%ld\n", utf8String,strlen(utf8String)); free(utf8String); } free(gbkString); return 0; }
最后我们查看输出结果
gbk编码输出的时候是乱码,utf-8编码输出的时候能正常显示,并且长度相应地增加了。
UTF8转GBK同理
#include <stdio.h> #include <stdlib.h> #include <string.h> #include <iconv.h> #include <errno.h> #include <fcntl.h> #include <unistd.h> char* convertUTF8toGBK(const char* utf8Buf,size_t utf8Buflen) { size_t gbkBuflen = (int)(utf8Buflen *2/3 + 1); // UTF-8最多需要3个字节表示一个字符 char* gbkBuf = (char*)malloc(gbkBuflen + 1); if (gbkBuf == NULL) { printf("内存分配失败\n"); return NULL; } memset(gbkBuf, 0, gbkBuflen + 1); iconv_t cd = iconv_open("GBK","UTF-8"); if (cd == (iconv_t)-1) { printf("字符集转换初始化失败\n"); free(gbkBuf); return NULL; } const char* inbuf = utf8Buf; char* outbuf = gbkBuf; size_t inbytesleft = utf8Buflen; size_t outbytesleft = gbkBuflen; if (iconv(cd, (char**)&inbuf, &inbytesleft, &outbuf, &outbytesleft) == (size_t)-1) { printf("字符集转换失败\n"); free(gbkBuf); iconv_close(cd); return NULL; } iconv_close(cd); return gbkBuf; } int writeGBKStringToFile(const char* filename, const char* gbkString,int gbkBuflen) { int file = open(filename, O_WRONLY | O_CREAT | O_TRUNC, 0666); if (file == -1) { printf("无法打开文件\n"); return -1; } ssize_t bytesWritten = write(file, gbkString,gbkBuflen); if (bytesWritten == -1) { printf("写入文件失败: %s\n", strerror(errno)); close(file); return -1; } close(file); return 0; } int main() { char* utf8String = "a字符集b"; int utf8Length = strlen(utf8String); printf("utf8buf:%s,utf8buflen:%ld\n",utf8String,strlen(utf8String)); char* gbkString = convertUTF8toGBK(utf8String,utf8Length); if (gbkString != NULL) { printf("gbk8buf:%s,gbk8buflen:%ld\n",gbkString,strlen(gbkString)); int result = writeGBKStringToFile("gbk.txt", gbkString,strlen(gbkString)); if (result == 0) { printf("GBK 字符串已成功写入文件\n"); } free(gbkString); } return 0; }