什么是编码格局

从一个小问题引入

咱们在学习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，置信有点根底的同学都能不加思索的写出上面的代码：

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？咱们往往也能说得出：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)。
咱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。
咱们理所应当地晓得char型字符对应的范畴是0~127，因为ASCII码的范畴就是0~127。
然而有没有想过，为什么是ASCII码？
所谓的ASCII码，又到底是什么？

编码格局介绍

要说起ASCII码，不得不说起编码格局。
咱们晓得，对于计算机来说，咱们在屏幕上看到的千姿百态的文字、图片、甚至视频是不能间接辨认的，而是要通过某种形式转换为0和1组成的二进制的机器码，最终被计算机辨认（0为低电平，1为高电平）。
对于数字来说，有一套十分成熟的转换计划，就是将十进制的数字转换为二进制，就能间接被计算机辨认（如5转换为二进制是 0000 0101）。然而对于像ABCD这样的英文字母，还有!@#$这样的特殊符号，计算机是不能间接辨认的，所以就须要有一套通用的规范来进行标准。
这套标准就是ASCII码。
ASCII码应用127个字符，示意A~Z等26个大小写字母，蕴含数字0~9，所有标点符号以及特殊字符，甚至还有不能在屏幕上间接看到的比方回车、换行、ESC等。

依照这套SACII的编码标准，就很容易的晓得，'\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码尽管只有127位，但根本实现了对所有英文的反对。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,只须要1个字节就能示意所有的char型字符，因而char只占1个字节。
然而随着计算机的遍及，计算机岂但要解决英文，还有汉字、甚至希腊文字、韩文、日文等诸多文字，这时，127个字符必定不够了，这时就引入了Unicode的概念。
Unicode是一个编码字符集，它根本涵盖了世界上绝大多数的文字（只有极少数没有蕴含），在Unicode中文对照表中能够查看一些汉字的Unicode字符集。
比方，汉字”七“在Unicode示意为十六进制0x4e03，示意成二进制位0100 1110 0000 0011，占了15位，至多须要两个字节能力放得下，有些更简单的生僻字，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出到电脑的时候，计算机是如何晓得它到底是什么的？
就像下面的0100 1110 0000 0011，它到底是示意的是0100 1110和0000 0011两个ASCII字符，还是汉字”七“？计算机并不知道。所以就须要一套规定来通知计算机，到底该依照什么来解析。这些规定，就是字符编码格局。
其中就包含以下几种。

ASCII
UTF-8
GBK
GB2312
GB18030
BIG5
ISO8859

编码格局分类

ASCII

ASCII 编码后面曾经介绍过，此处就不再多说了。它应用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非凡按键。
它的长处是仅用128个数字就实现了对英文的完满反对，然而毛病也同样显著，不反对中文等除英文以外的其余语言文字。
因而，ASCII码根本能够看做是其余字符编码格局的一个子集，其余字符编码都是在ASCII码的根底上实现了肯定的扩大，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能够说是最常见的编码。它是Windows零碎默认的文本编码格局。
UTF-8是一种变长的编码方式，最大能够反对到6位。这就意味着他能够无效地节俭空间（在前面介绍GBK的时候，会讲GBK是固定长度的编码方式）。
那么，UTF8是如何晓得以后所要表白的字符是几个字节呢？
在UTF8中，它以首字节的高位作为标识，用来区别以后字节的长度。其规定大抵如下：

**1字节 0xxxxxxx （范畴：0x00-0x7F）
2字节 110xxxxx 10xxxxxx (范畴：0x80-0x7ff)
3字节 1110xxxx 10xxxxxx 10xxxxxx (范畴：0x800-0xffff)
4字节 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx (范畴：0x10000-0x10ffff)
5字节 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
6字节 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx**

如下面的汉字”七“的unicode码是0x4e03，在0x800-0xffff区间，所以是3字节，用UTF-8示意就是11100100 10111000 10000011(十六进制示意为0xe4b883)。
"七"的Unicode码是0100 1110 0000 0011，可为什么是这个数呢？
依据3字节的填充规定，从右往左，顺次填充x的地位：

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，因为不太罕用，此处也就不展开讨论了。

GBK/GB2312/GB18030

GB就是”国标“的拼音结尾，顾名思义，以GB结尾的编码都是中国人专门为反对汉语而设计的编码格局。但这三者又有区别，最早呈现的是GB2312，它收录了6763个汉字，根本满足了计算机对汉字的解决须要。
GB2312应用双字节示意一个汉字。对汉字进行分区解决。每个区含有94个汉字（或符号），这种示意形式称之为区位码。

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编码范畴：A1A1－FEFE，其中汉字编码范畴：B0A1-F7FE。示意汉字时，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根底上的扩大。GBK的K就是扩大的”扩“的拼音首字母。因而，GBK向下兼容GB2312。
GBK也应用双字节示意汉字，其中首字节范畴0x81-0xfe，第二个字节范畴0x40-0xfe，剔除0x7F一条线。因而，GBK所能示意的汉字比GB2312要多得多（能示意21886个汉字）。
GB18030是最新的内码字集，能够示意70244个汉字。它与UTF-8相似，采纳多字节编码，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（不包含0x7F），与 GBK 规范兼容。
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。

如果你看到这个中央曾经感觉很乱了，不要紧。咱们只须要晓得，在GB打头的编码格局下，咱们可能用键盘敲进去的，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，只有一些极少数不罕用的生僻字用到）。

BIG5

BIG5，从字面翻译来看，叫做”大五码“，它次要用来示意中文繁体字。
它也是用双字节示意一个汉字，其中高位字节应用了0x81-0xFE，低位字节应用了0x40-0x7E，及0xA1-0xFE。。
这种编码格局用的比拟少，此处就不开展说了。

汉字编码

下面介绍的几种编码格局，UTF-8、GBK等都反对汉字，然而规范不同，因而，在理论进行开发的过程中，对汉字的解决也不尽相同。

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，为了辨别ASCII码和汉字，在汉字的高位补0。
这也就是说，如果咱们以int的模式取出单个字符的值，汉字都是小于0的。
因而，判断是否是汉字也就变得简略了：

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]: 汉字\n", i);        }else{            printf("str[%d]: 英文\n", i);        }    }}

咱们在main函数里调用test01函数，失去如下后果：

因为在utf-8下，一个汉字占3字节，所以前面从5~10这6个字节正好代表着2个汉字。
如果咱们把编码改成GB2312，运行能够失去如下后果：

能够看到，只有最初4个字节是汉字，充分说明了GB2312编码格局下，一个汉字占2个字节。

如何解决汉字截断问题

如果咱们把下面的字符串按字符打印进去，失去上面的后果：

能够看到，所有的汉字都乱码了，起因就在于，UTF-8编码下，每个汉字占3个字节，一个字节不足以示意残缺的汉字，所以打印进去都是乱码的。
在理论开发中，比拟常见的须要解决的问题是，截取肯定长度的字符串，然而如果截取的地位正好是个汉字，难免会遇到汉字被截断的问题。
那么，这类问题如何解决呢？
依据汉字的编码规定，咱们晓得，UTF-8和GBK对汉字的解决是不一样的。
UFT-8一个汉字是3字节，且规定如下：

1110xxxx 10xxxxxx 10xxxxxx

所以，咱们很容易晓得，汉字的首字节范畴为11100000~11101111,转成十六进制为0xe0~0xef，第二、三字节的范畴为10000000~10111111，转成十六进制范畴为0x80~0xbf。
所以UTF-8的汉字截断问题解决能够如下：

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畴是10000000~10ffffff，转成十六进制是0x80~0xbf，在这个范畴内都阐明是汉字被截断    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作为原始输出，input_len代表须要截取的地位，output和output_len作为输入，output为截断解决后的字符串，output_len为截断解决后的长度。
咱们应用上面的代码进行测试：

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);    }}

运行后后果如下：

如果是GBK编码，要略微麻烦一点。因为咱们晓得，GBK是双字节示意汉字，且第一个字节的值从 0x81 到 0xFE，第二个字节的值从 0x40 到 0xFE（不包含0x7F），单从字符的值无奈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，咱们曾经晓得汉字占2个字节，间接依据长度的奇偶来判断就能够，但如果是中英文夹杂就不能采纳这种形式了。
在这里，我应用的是先对字符串进行一道过滤解决，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就能取其残缺的汉字，如果是偶数，阐明正好是一个残缺的汉字，无需解决，间接返回即可。
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;}

同样应用下面的测试代码进行测试，失去如下后果：

如何实现编码之间相互转换

既然编码格局这么多，那么怎么进行编码之间的转换呢？
在C语言下，次要是利用零碎的iconv函数实现。
iconv函数蕴含在头文件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函数创立，第二个参数是输出的字符串，第三个参数是输出字符串的长度，第四个参数是转换后的输入字符串，第五个参数是输入字符串的长度。在编码转换实现之后，须要调用iconv_close函数敞开句柄。所以残缺的调用程序为：

iconv_open关上iconv句柄
调用iconv进行编码转换
iconv_close敞开句柄

还有一点须要留神的是，__inbytesleft和__outbytesleft的长度，因为不同编码对于汉字的解决字节数不同，比方从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，从而导致谬误。
残缺的编码转换性能封装如下：

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;}

留神，因为应用到了libiconv，编译时须要加-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);}

以上代码运行后果如下所示：

将GBK转换为UTF-8也是同样的操作，此处就不做演示了。