C++實現(xiàn)判斷一個字符串是否為UTF8或GBK格式的方法

更新時間：2017年11月20日 10:22:55 作者：黑夜童話

這篇文章主要介紹了C++實現(xiàn)判斷一個字符串是否為UTF8或GBK格式的方法,涉及C++針對字符編碼的遍歷、判斷、編碼轉換等相關操作技巧,需要的朋友可以參考下

本文實例講述了C++實現(xiàn)判斷一個字符串是否為UTF8或GBK格式的方法。分享給大家供大家參考，具體如下：

在處理外部數據的時候，很可能因為數據格式不一樣而導致亂碼，甚至導致某些程序掛掉。鑒于對多數系統(tǒng)來說，使用是更被廣泛使用的utf8，所以判斷是不是utf8格式顯得很重要了。

下面是一個判斷字符串是否為utf8的函數：

bool is_str_utf8(const char* str)
{
  unsigned int nBytes = 0;//UFT8可用1-6個字節(jié)編碼,ASCII用一個字節(jié)
  unsigned char chr = *str;
  bool bAllAscii = true;
  for (unsigned int i = 0; str[i] != '\0'; ++i){
    chr = *(str + i);
    //判斷是否ASCII編碼,如果不是,說明有可能是UTF8,ASCII用7位編碼,最高位標記為0,0xxxxxxx
    if (nBytes == 0 && (chr & 0x80) != 0){
      bAllAscii = false;
    }
    if (nBytes == 0) {
      //如果不是ASCII碼,應該是多字節(jié)符,計算字節(jié)數
      if (chr >= 0x80) {
        if (chr >= 0xFC && chr <= 0xFD){
          nBytes = 6;
        }
        else if (chr >= 0xF8){
          nBytes = 5;
        }
        else if (chr >= 0xF0){
          nBytes = 4;
        }
        else if (chr >= 0xE0){
          nBytes = 3;
        }
        else if (chr >= 0xC0){
          nBytes = 2;
        }
        else{
          return false;
        }
        nBytes--;
      }
    }
    else{
      //多字節(jié)符的非首字節(jié),應為 10xxxxxx
      if ((chr & 0xC0) != 0x80){
        return false;
      }
      //減到為零為止
      nBytes--;
    }
  }
  //違返UTF8編碼規(guī)則
  if (nBytes != 0) {
    return false;
  }
  if (bAllAscii){ //如果全部都是ASCII, 也是UTF8
    return true;
  }
  return true;
}

關于utf8的一般性簡介和二進制格式可以參考百度百科。同樣關于GBK的判斷，也是使用的同樣的方法，具體代碼如下：

bool is_str_gbk(const char* str)
{
  unsigned int nBytes = 0;//GBK可用1-2個字節(jié)編碼,中文兩個 ,英文一個
  unsigned char chr = *str;
  bool bAllAscii = true; //如果全部都是ASCII,
  for (unsigned int i = 0; str[i] != '\0'; ++i){
    chr = *(str + i);
    if ((chr & 0x80) != 0 && nBytes == 0){// 判斷是否ASCII編碼,如果不是,說明有可能是GBK
      bAllAscii = false;
    }
    if (nBytes == 0) {
      if (chr >= 0x80) {
        if (chr >= 0x81 && chr <= 0xFE){
          nBytes = +2;
        }
        else{
          return false;
        }
        nBytes--;
      }
    }
    else{
      if (chr < 0x40 || chr>0xFE){
        return false;
      }
      nBytes--;
    }//else end
  }
  if (nBytes != 0) {   //違返規(guī)則
    return false;
  }
  if (bAllAscii){ //如果全部都是ASCII, 也是GBK
    return true;
  }
  return true;
}

按照編碼規(guī)則這么寫，是正確的。但鑒于現(xiàn)在的utf8對于中文一般都是三個字節(jié)，而且utf8的編碼規(guī)則存在重合，如果是utf8，使用上面的這個函數，就會出現(xiàn)一個尷尬的問題，當中文字符為奇數個判斷正確，為則偶數個無法區(qū)別。

最后：如果誰有更好的辦法判斷一個字符串是否為GBK格式，歡迎告知。

希望本文所述對大家C++程序設計有所幫助。

您可能感興趣的文章: