一、字符編碼簡單介紹

1. ASCII碼

在計算機內部，全部的信息終于都表示為一個二進制的字符串。每個二進制位（bit）有0和1兩種狀態(tài)，因此八個二進制位就能夠組合出256種狀態(tài)，這被稱為一個字節(jié)（byte）。也就是說，一個字節(jié)一共能夠用來表示256種不同的狀態(tài)，每個狀態(tài)相應一個符號，就是256個符號，從0000000到11111111。
上個世紀60年代，美國制定了一套字符編碼，對英語字符與二進制位之間的關系，做了統一規(guī)定。這被稱為ASCII碼，一直沿用至今。
ASCII碼一共規(guī)定了128個字符的編碼，比方空格“SPACE”是32（二進制00100000），大寫的字母A是65（二進制01000001）。這128個符號（包含32個不能打印出來的控制符號），僅僅占用了一個字節(jié)的后面7位，最前面的1位統一規(guī)定為0。

2. Unicode

英語用128個符號編碼就夠了，可是用來表示其它語言，128個符號是不夠的。因此，非常多歐洲國家發(fā)明了非常多非ASCII碼，相同用一個字節(jié)，用最高位為1的區(qū)間（既128~255）來擴展原來的ASCII碼，當中一種比較有名的就是IBM字符編碼。這樣一來，這些歐洲國家使用的編碼體系，能夠表示最多256個符號。可是，這里又出現了新的問題。不同的國家有不同的字母，因此，哪怕它們都使用256個符號的編碼方式，代表的字母卻不一樣。比方，130在法語編碼中代表了é，在希伯來語編碼中卻代表了字母Gimel (?)，在俄語編碼中又會代表還有一個符號?？墒菬o論如何，全部這些編碼方式中，0—127表示的符號是一樣的，不一樣的僅僅是128—255的這一段。


至于亞洲國家的文字，使用的符號就很多其它了，漢字就多達10萬左右。一個字節(jié)僅僅能表示256種符號，肯定是不夠的，就必須使用多個字節(jié)表達一個符號。比方，中文簡體常見的編碼方式是GB2312，使用兩個字節(jié)表示一個漢字，所以理論上最多能夠表示256x256=65536個符號。


世界上存在著多種編碼方式，同一個二進制數字能夠被解釋成不同的符號。因此，要想打開一個文本文件，就必須知道它的編碼方式，否則用錯誤的編碼方式解讀，就會出現亂碼。為什么電子郵件經常出現亂碼？就是由于發(fā)信人和收信人使用的編碼方式不一樣。
能夠想象，假設有一種編碼，將世界上全部的符號都納入當中。每個符號都給予一個獨一無二的編碼，那么亂碼問題就會消失。這就是Unicode，就像它的名字都表示的，這是一種全部符號的編碼。


Unicode當然是一個非常大的集合，如今的規(guī)模能夠容納100多萬個符號。每一個符號的編碼都不一樣。須要注意的是，Unicode僅僅是一個符號集，它僅僅規(guī)定了符號的二進制代碼，卻沒有規(guī)定這個二進制代碼應該怎樣存儲。

3. UTF-8

互聯網的普及，強烈要求出現一種統一的編碼方式。UTF-8就是在互聯網上使用最廣的一種unicode的實現方式。其它實現方式還包含UTF-16和UTF-32，只是在互聯網上基本不用。反復一遍，這里的關系是，UTF-8是Unicode的實現方式之中的一個。
UTF-8最大的一個特點，就是它是一種變長的編碼方式。它能夠使用1~6個字節(jié)表示一個符號，依據不同的符號而變化字節(jié)長度。
UTF-8的編碼規(guī)則非常easy，僅僅有二條：
1）對于單字節(jié)的符號，字節(jié)的第一位設為0，后面7位為這個符號的unicode碼。因此對于英語字母，UTF-8編碼和ASCII碼是同樣的。
2）對于n字節(jié)的符號（n>1），第一個字節(jié)的前n位都設為1，第n+1位設為0，后面字節(jié)的前兩位一律設為10。剩下的沒有提及的二進制位，所有為這個符號的unicode碼。
如表：?
1字節(jié) 0xxxxxxx?
2字節(jié) 110xxxxx 10xxxxxx?
3字節(jié) 1110xxxx 10xxxxxx 10xxxxxx?
4字節(jié) 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx?
5字節(jié) 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx?
6字節(jié) 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx?
因此UTF-8中能夠用來表示字符編碼的實際位數最多有31位，即上表中x所表示的位。除去那些控制位（每字節(jié)開頭的10等），這些x表示的位與UNICODE編碼是一一相應的，位高低順序也同樣。?
實際將UNICODE轉換為UTF-8編碼時應先去除高位0，然后依據所剩編碼的位數決定所需最小的UTF-8編碼位數。?
因此那些基本ASCII字符集中的字符（UNICODE兼容ASCII）僅僅須要一個字節(jié)的UTF-8編碼（7個二進制位）便能夠表示。?

依據此規(guī)則，能夠非常方便的把UTF-8編碼的字符串拆分成單字集合，代碼例如以下：

size_t utf8_to_charset(const std::string &input, std::set<std::string> &output) {std::string ch; for (size_t i = 0, len = 0; i != input.length(); i += len) {unsigned char byte = (unsigned)input[i];if (byte >= 0xFC) // lenght 6len = 6; else if (byte >= 0xF8)len = 5;else if (byte >= 0xF0)len = 4;else if (byte >= 0xE0)len = 3;else if (byte >= 0xC0)len = 2;elselen = 1;ch = input.substr(i, len);output.insert(ch);} return output.size();}

這里我把字符串轉換為單字的集合（set）是由于應用場景的須要，假設須要保持單字在字符串中的位置，能夠非常方便的用vector來替換set。

以下是獲取UTF-8字符串的字符個數（注意，不是字符串長度哦）的代碼：

size_t get_utf8_length(const std::string &input) {size_t length = 0;for (size_t i = 0, len = 0; i != input.length(); i += len) {unsigned char byte = input[i];if (byte >= 0xFC) // lenght 6len = 6; else if (byte >= 0xF8)len = 5;else if (byte >= 0xF0)len = 4;else if (byte >= 0xE0)len = 3;else if (byte >= 0xC0)len = 2;elselen = 1;length ++;} return length;}

轉載于:https://www.cnblogs.com/mengfanrong/p/3785791.html

總結

以上是生活随笔為你收集整理的UTF-8编码的字符串拆分成单字、获取UTF-8字符串的字符个数的代码及原理(c++实现）...的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。