基本知識

UTF8 本質(zhì)是 Unicode 標準的一種實現(xiàn)方式，UTF8 編碼和 Unicode 字符碼是有相互轉(zhuǎn)換的規(guī)則的。GBK 碼與 Unicode 字符碼是沒有設計有規(guī)律的對應關系的，即沒有相互轉(zhuǎn)換的規(guī)則。所以想要實現(xiàn) UTF8 和 GBK 編碼互轉(zhuǎn)需要依靠查表法，即 UTF8 轉(zhuǎn) GBK 編碼需要先按規(guī)則轉(zhuǎn)換成 Unicode 字符碼，再通過查表獲取該 Unicode 字符碼對應的 GBK 碼，同樣的 GBK 轉(zhuǎn) UTF8 編碼也需要先查表獲取對應的 Unicode 字符碼，再按照規(guī)則轉(zhuǎn)換成 UTF8 編碼。

獲取 GBK 和 Unicode 的編碼對應表

這里介紹兩個編碼對應表，分別是 CP936 編碼表，和漢字 Unicode 編碼表，包含的漢字都是基本漢字，一共 20902 個。除去 ASCII 字符外，這些編碼中包括的漢字都是兩個字節(jié)的長度。 其中 CP936 編碼表是按照遞增的 GBK 編碼值為索引的，對應值是 Unicode 編碼，（由于 GBK 的編碼并不是連續(xù)的，所有索引之間往往有空缺），而漢字 Unicode 編碼表是以遞增的 Unicode 漢字字符碼為索引的，對應值是 GBK 編碼（Unicode 編碼范圍 4E00-9FA5） 。

實現(xiàn)互轉(zhuǎn)

在獲取編碼表之后，想要實現(xiàn) GBK 和 Unicode 互轉(zhuǎn)的功能就沒有什么難度了，最簡單的方法就是定義一個編碼數(shù)組包含 GBK 和 Unicode 的映射關系，然后對所需要轉(zhuǎn)換的編碼進行查表，獲取對應編碼再拼接成一個數(shù)據(jù)串就完成了。

采用 CP936 編碼表：
需要定義一個 short 型二維數(shù)組存放 GBK 和 Unicode 的映射關系（因為 GBK 編碼值不是遞增的，中間有很多未使用的值），無論是 GBK 轉(zhuǎn) Unicode 還是 Unicode 轉(zhuǎn) GBK 使用時最長需要遍歷整個數(shù)組。

采用漢字 Unicode 編碼表：
需要定義一個 short 型一維數(shù)組，存放從 4E00-9FA5 直接的漢字字符，Unicode 的編碼字符減去 4E00 既是一維數(shù)組的索引。在 Unicode 轉(zhuǎn) GBK 時可以直接計算出對應 GBK 的索引值，直接獲取該編碼值即可。在 GBK 轉(zhuǎn) Unicode 的時候最長需要遍歷整個數(shù)組。

明顯可以看出來，使用漢字 Unicode 編碼表的時間復雜度和空間復雜度是低于使用 CP936 編碼表的，不做優(yōu)化的話，這里肯定選擇漢字 Unicode 編碼表。

優(yōu)化占用空間

缺點：
上面雖然實現(xiàn)了 GBK 和 Unicode 的互相轉(zhuǎn)換，但是在程序里面定一個 20902 長度的 short 數(shù)組還是太臃腫了，而且在某些情況嵌入式系統(tǒng)中是不允許定義這么多的。

優(yōu)化：
這里我們可以把編碼表改造成字庫文件。在帶操作系統(tǒng)的環(huán)境下以讀取文件的方式來讀取字符編碼。在嵌入式系統(tǒng)中沒有文件系統(tǒng)的環(huán)境下，我們可以把字庫文件燒入 Flash，以讀取 Flash 的方式來讀取字符編碼。

制作字庫文件：
漢字 Unicode 編碼表制作字庫文件并不復雜，新建一個 .txt 文件（以 ANSI 格式打開），將 Unicode 4E00-9FA5 對應的 GBK 編碼依次復制到文件中保存，修改名字為 GBK.bin 就可以了。（這里 GBK.bin 是沒有文件頭和校驗值的，直接按照索引讀取就行，需要注意的事這里不能有換行符）

優(yōu)化查找編碼速度

缺點：

使用 GBK.bin 優(yōu)化了程序占用的空間，但是 GBK 轉(zhuǎn) Unicode 的時候最長仍需要遍歷整個字庫文件，而且有一部分常用的字符是在 4E00-9FA5 后段部分的，這就導致了很多情況下查找效率的降低。

優(yōu)化：

漢字 Unicode 編碼表是根據(jù) Unicode 排序的，CP936 編碼表是根據(jù) GBK 排序的，我們可以將 CP936 編碼表也制作成字庫 CP936.bin，在 GBK 轉(zhuǎn) Unicode 的時候使用字庫 CP936.bin，在 Unicode 轉(zhuǎn) GBK 時使用 GBK.bin，這樣互轉(zhuǎn)都是按照編碼索引轉(zhuǎn)換成字庫索引直接讀取對應字庫，就省去了遍歷的過程。

制作字庫文件：

CP936 編碼表中的一部分
GBK     Unicode
0x81FD    0x4FA1
0x81FE    0x4FA2
0x8240    0x4FA4
0x8241    0x4FAB

如上所示，GBK 的索引是不連續(xù)的，81FE 后面接的是 8240，實際上整個 CP936 中類似于此的斷層大概有一百多處，每處缺少的數(shù)目是不一樣的，這里我們可以通過編寫程序?qū)⑵溲a全索引，對于的 Unicode 的值設置成 0000，并寫入 GBK.bin 文件（這里對于大的斷層我們進過濾，并在后面的索引計算中進行特殊處理，以免補出來的 bin 文件過大）。

優(yōu)化字串轉(zhuǎn)換速度

上面都是單個編碼去計算索引，讀取文件獲取編碼返回，在大量的字符串轉(zhuǎn)換的時候會有很多冗余的操作，我們可以進行流程上的優(yōu)化，把所有需要獲取的字符編碼先全部轉(zhuǎn)換成索引，然后在去字庫中一次將所有需要的內(nèi)容都讀出來統(tǒng)一返回，這樣減少了流程上的調(diào)用。

UTF8 和 Unicode 的互轉(zhuǎn)

GBK 和 Unicode 的互轉(zhuǎn)已經(jīng)實現(xiàn)了，剩下的就是 UTF8 和 Unicode 的轉(zhuǎn)換，這部分就有固定的轉(zhuǎn)換規(guī)則如下：

UTF8 編碼規(guī)則：如果只有一個字節(jié)則其最高二進制位為 0，如果是多字節(jié)，其第一個字節(jié)從最高位開始，連續(xù)的二進制位值為 1，1 的個數(shù)決定了其編碼的字節(jié)數(shù)，其余各字節(jié)均以 10 開頭。

// Unicode6.1定義范圍：0~10 FFFF
// 20 0000 ~ 3FF FFFF 和 400 0000 ~ 7FFF FFFF 屬于 UCS-4，UTF8 現(xiàn)在已經(jīng)棄用了這部分內(nèi)容
---------------------------------------------------------------------------------
n | Unicode (十六進制)     | UTF - 8 (二進制)
--+-----------------------+------------------------------------------------------
1 | 0000 0000 - 0000 007F | 0xxxxxxx
2 | 0000 0080 - 0000 07FF | 110xxxxx 10xxxxxx
3 | 0000 0800 - 0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx
4 | 0001 0000 - 0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
---------------------------------------------------------------------------------
// 以下部分棄用
5 | 0020 0000 - 03FF FFFF | 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
6 | 0400 0000 - 7FFF FFFF | 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
---------------------------------------------------------------------------------

以上就是UTF8和GBK編碼互轉(zhuǎn)實現(xiàn)解析的詳細內(nèi)容，更多關于UTF8 GBK編碼互轉(zhuǎn)的資料請關注腳本之家其它相關文章！

最新評論