字符串编码问题(Ascii、Unicode、UCS-2、GBK、UTF-8)

1.字符编码的发展

第一阶段：ASCII阶段，(American Standard Code for Information Interchange， “美国信息交换标准码），计算机当时只支持英语，字符在计算机中都是以0和1的方式存储的。象a、b、c、d这样的52个字母（包括大写）、以及0、1、2等数字还有一些常用的符号（例如*、#、@等）在计算机中存储时也要使用二进制数来表示，而具体用哪些二进制数字表示哪个符号，就必须要有一定的规则，于是美国有关的标准化组织就出台了所谓的ASCII编码，统一规定了上述常用符号用哪个二进制数来表示。（来自百度百科），ASCII码规定每个字符例如“a”使用1个字节来表示，也就是8为的二进制组合，那么就有00000000-11111111一共256种组合，也就是可以表示256个不同的字符。

其中0-31：是控制字符或通讯专用字符（不可以显示的字符，其余为可显示字符），如控制符：LF（换行）、CR（回车）等。

32-126：是字符，其中32是空格。

48-57为0-9的阿拉伯数字。

65-90为26个大写英文字母。

97-122为26个小写英文字母。

其余的是一些标点符号，运算符号等。

ASSCII共计有128个，从0到127，也就是从00000000-01111111，最高位都是0。

第二阶段：ANSI编码（本地化）阶段，ASCII只能表示英文字符，那么其他字符怎么表示呢？汉语是这样解决的，用两个ASCII表示一个汉字，而且不用前面的128个。比如汉字“中”在中文操作系统中使用[0xD6,0xD0] 这两个字节存储，这样每个汉字也都有了自己的编码，汉字编码解决了，这就是中国的GB2312编码标准，但是这是中国汉字的编码，那么其他国家呢？其他的国家的计算机操作系统中可能把[0xD6,0xD0] 这两个字节存储成他们的文字，而不是“中”，不同的国家和地区制定了不同的标准，这些使用 2 个字节来代表一个字符的各种文字延伸编码方式，称为 ANSI 编码。

（1）GB2312-80汉字编码

GB2312国标字符集构成一个二维平面，它分成94行、94列，行号称为区号，列号称为位号。每一个汉字或符号在码表中都有各自的位置，字符的位置用它所在的区号(行号)及位号(列号)来表示。每个汉字的区号和位号分别用1个字节来表示，

如：“大”字的区号20，位号83，区位码是20，83

用2个字节表示为：00010100 01010011

问题：信息通信中，汉字的区位码与通信使用的控制码（00H～1FH）发生冲突。

解决方案：为避免汉字区位码与通信控制码冲突，ISO2022规定，每个汉字区号和位号必须分别加上32(即20H),

即区位码加上2020H。

经过这样处理得到的代码称为汉字的“国标交换码”（简称交换码）。因此，“大”字的国际交换码是:

区位码（00010100 01010011）+ 2020H=国际交换码（00110100 01110011）

 

机内码：

问题：文本中汉字与西文字符经常混用，汉字信息如不予以特别的标识，它与单字节的标准ASCII码就会混淆不清。

解决方法：把一个汉字看作两个扩展ASCII码，使表示GB2312汉字的两个字节的最高位(b7)加“1”，（即27=128=80H）。这种高位为l的双字节(16位)汉字编码就称为GB2312汉字的“机内码”，又称内码。
“大”的国际交换码：（00110100 01110011），内码是：10110100 11110011（B4F3）

第三阶段：UNICODE（国际化），为了使国际间信息交流更加方便，国际组织制定了 UNICODE 字符集，为各种语言中的每一个字符设定了统一并且唯一的数字编号，以满足跨语言、跨平台进行文本转换、处理的要求。Unicode用数字0-0x10FFFF来映射这些字符，最多可以容纳1114112个字符，或者说有1114112个码位。码位就是可以分配给字符的数字。UTF-8、UTF-16、UTF-32都是将数字转换到程序数据的编码方案。

Unicode目前普遍采用的是UCS-2它用两个字节来编码一个字符一般用十六进制来表示UCS-2最多能编码65536个字符

环境：win7中文旗舰版 + VS2010 + 当前代码页为GBK(GBK兼容GB2312，所以上面的例子，可以再当前环境下验证)

string str1 = "123大";//GBK编码[31H,32H,33H,b4H,f3H]
wstring str2 = L"123大";//UCS-2编码[0031H,0032H,0033H,5927H]
string str3;
int nlength = WideCharToMultiByte(CP_UTF8, 0, str2.c_str(), -1, NULL, 0, NULL, NULL);
str3.resize(nlength, '');
WideCharToMultiByte(CP_UTF8, 0, str2.c_str(), -1, &str3[0], nlength, NULL, NULL);//Unicode to UTF-8
//str2 UTF-8编码[31H,32H,33H,E5H,a4H,a7H]

1）对于单字节的符号，字节的第一位设为0，后面7位为这个符号的unicode码。因此对于英语字母，UTF-8编码和ASCII码是相同的。

2）对于n字节的符号（n>1），第一个字节的前n位都设为1，第n+1位设为0，后面字节的前两位一律设为10。剩下的没有提及的二进制位，全部为这个符号的unicode码。

例如：

“大”字，UCS-2编码为[5927H]，即[0101 1001 0010 0111]

对于UTF-8编码来说，[5927H]在0800H~FFFFH之间，应该使用[1110 xxxx 10yy yyyy 10zz zzzz]，将[0101 1001 0010 0111]以此填入xxxx yy yyyy zz zzzz部分，得

[1110 0101 1010 0100 1010 0111]，即 [e5H a4H a7H]