学步园

1. ASCII和Ansi编码

字符内码(charcter code)指的是用来代表字符的内码.读者在输入和存储文档时都要使用内码，内码分为 

a.单字节内码 -- Single-Byte character sets (SBCS)，可以支持256个字符编码. 

b.双字节内码 -- Double-Byte character sets (DBCS)，可以支持65000个字符编码. 

前者即为ASCII编码，后者对应ANSI。在简体中文的操作系统中ANSI就指的是GB2312，代码页936（ANSI下不同语言有不同的代码页）。

2.GB2312和GBK编码

GB2312是对 ANSI 的简体中文扩展。GB2312共收录了七千个字符，由于GB2312支持的汉字太少而且不支持繁体中文，所以GBK对GB2312进行了扩展，以支持繁体中文和更多的字符，GBK共支持大概22000个字符，GB18030是在GBK的基础上又增加了藏文、蒙文、维吾尔文等主要的少数民族文字。 
代码页(codepage) 就是各国的文字编码和Unicode之间的映射表。例如GBK和Unicode的映射表就是CP936，所以也常用cp936 来指代GBK。

3.Unicode

ANSI有很多代码页，使用不同代码页的内码无法在其他代码页平台上正常显示。由于各国之间的编码不同造成的交流传输不便，ISO 打算废除所有的地区性编码方案，重新建立一个全球性的编码方案把所有字母和符号都统一编码进去，称之为 "Universal Multiple-Octet Coded Character Set"，简称为 UCS(ISO10646)。同时又有unicode.org这个组织也制定了自己的全球性编码 unicode，自从unicode2.0开始，unicode采用了与USC相同的字库和字码，阶段主要采用的是
UCS-2/unicode 16 位的编码。

4.UTF编码

UTF（Unicode/UCS Transfer Format），UCS 变长存储的编码方式，主要用来解决 UCS 编码的传输问题的。分为 UTF-7，UTF-8，UTF-16，UTF-32 等。UTF-8是一次传输8位(一个字节)的UTF编码方式，一个字符可能会经过1-6次传输，具体的跟 unicode/UCS 之间的转换关系如下:

比如: "我" 的unicode/UCS编码为 "U+6211"(01100010 00010001)，在U+00000800 - U+0000FFFF之间，所以采用三字节编码，按规则分段为：0110 001000 010001，再分别替换上表中的x，得到11100110 10001000 10010001，即为 "E6 88 91"，这就是 "我" 的UTF-8编码。 

举个有趣的例子： 

在 Windows 的记事本里新建一个文本文件，输入"联通"两个字，保存，关闭，再次打开，会发现文本已经不是"联通"了，而是几个乱码。 

当使用记事本新建文件时，默认的编码是 ANSI，输入中文就是 GB 系列的编码，"联通" 两字的编码为: 

c1 1100 0001 

aa 1010 1010 

cd 1100 1101 

a8 1010 1000 

注意到了吗？第一二个字节、第三四个字节的起始部分的都是 "110" 和 "10"，正好与 UTF-8 规则里的两字节模板是一致的，于是再次打开记事本时，记事本就误认为这是一个UTF-8编码的文件，让我们把第一个字节的110和第二个字节的10去掉，我们就得到了"00001 101010"，再把各位对齐，补上前导的0，就得到了 "0000 0000 0110 1010"，这是 UNICODE 的 006A，也就是小写的字母 "j"，而之后的两字节用 UTF-8 解码之后是0368，这个字符什么也不是。这就是只有
"联通" 两个字的文件没有办法在记事本里正常显示的原因。 

而如果你在 "联通" 之后多输入几个其他字，其他的字的编码不见得又恰好是 110 和 10 开始的字节，这样再次打开时，记事本就不会坚持这是一个 UTF-8 编码的文件，而会用 ANSI 的方式解读之，这时乱码又不出现了。

5.UTF-16

UTF-16是一次传输两个字节的UTF编码方式，现如今Unicode/UCS也主要采用16位编码，所以UTF-16的存储方式和Unicode/UCS的编码方式也相同。确切的说是和UCS-2/unicode 16的编码方式相同。

6.big endian 和 little endian

在UTF-16或者UCS的编码中经常遇到这两个选项，big endian 和little endian 是CPU处理多字节数的不同方式。例如“汉”字的 Unicode/UCS 编码是 6C49。那么写到文件里时，究竟是将 6C 写在前面，还是将 49 写在前面？如果将 6C 写在前面，就是big endian。还是将 49 写在前面，就是little endian。 

BOM 称为 "Byte Order Mark"。UTF-8 以字节为编码单元，没有字节序的问题。而 UTF-16 以两个字节为编码单元，在解释一个 UTF-16 文本前，首先要弄清楚每个编码单元的字节序。例如收到一个 "奎" 的 Unicode/UCS 编码是 594E，"乙" 的 Unicode/UCS 编码是 4E59。如果我们收到 UTF-16 字节流 "594E"，那么这是 "奎" 还是 "乙"？ 

在Unicode/UCS编码中有一个叫做 "ZERO WIDTH NO-BREAK SPACE" 的字符，它的编码是FEFF。而FFFE在Unicode/UCS中是不存在的字符，所以不应该出现在实际传输中。UCS规范建议我们在传输字节流前，先传输字符 "ZERO WIDTH NO-BREAK SPACE"。这样如果接收者收到
FEFF，就表明这个字节流是Big-Endian 的；如果收到FFFE，就表明这个字节流是Little-Endian 的。因此字符 "ZERO WIDTH NO-BREAK SPACE" 又被称作 BOM。 

UTF-8 不需要 BOM 来表明字节顺序，但可以用 BOM 来表明编码方式。字符 "ZERO WIDTH NO-BREAK SPACE" 的 UTF-8 编码是 EF BB BF。所以如果接收者收到以 EF BB BF 开头的字节流，就知道这是 UTF-8 编码了。Windows 就是使用 BOM 来标记文本文件的编码方式的。

void AnsiToUnicode() 
{
	char* sAnsi = "ANSI to Unicode, ANSI 转换到 Unicode";

	//ansi to unicode
	int sLen = MultiByteToWideChar(CP_ACP, NULL, sAnsi, -1, NULL, 0); 
	wchar_t* sUnicode = new wchar_t[sLen];
	//wchar_t* sUnicode = (wchar_t*)malloc(sLen*sizeof(wchar_t));
	MultiByteToWideChar(CP_ACP, NULL, sAnsi, -1, sUnicode, sLen); 

	ofstream rtxt("ansitouni.txt");
	rtxt.write("\xff\xfe",2);//原因参见上一篇——"小尾"字节序方式存储
	rtxt.write((char*)sUnicode, sLen*sizeof(wchar_t));
	rtxt.close();

	delete[] sUnicode; 
	sUnicode =NULL; 
	//free(sUnicode);
}

void UnicodeToAnsi() 
{
	wchar_t *sUnicode = L"Convert Unicode to ANSI, Unicode 转换为 ANSI";

	//unicode to ansi
	int sLen = WideCharToMultiByte(CP_ACP, NULL, sUnicode, -1, NULL, 0, NULL, NULL); 
	char* sAnsi = new char[sLen];
	//char* sAnsi = (char*)malloc(sLen);
	WideCharToMultiByte(CP_ACP, NULL, sUnicode, -1, sAnsi, sLen, NULL, NULL); 

	ofstream rtxt("unitoansi.txt");
	rtxt.write(sAnsi, sLen);
	rtxt.close();

	delete[] sAnsi; 
	sAnsi =NULL; 
	//free(sAnsi);
}

void UnicodeToUtf8()
{
	wchar_t *sUnicode = L"Convert Unicode to UTF8, Unicode 转换为 UTF8"; 
	// unicode to UTF8 
	int sLen = WideCharToMultiByte(CP_UTF8, NULL, sUnicode, -1, NULL, 0, NULL, NULL); 
	//UTF8虽然是Unicode的压缩形式，但也是多字节字符串，所以可以以char的形式保存 
	char* sUtf8 = new char[sLen];  
	//unicode版对应的strlen是wcslen 
	WideCharToMultiByte(CP_UTF8, NULL, sUnicode, -1, sUtf8, sLen, NULL, NULL); 

	ofstream rtxt("unitoutf8.txt");
	rtxt.write("\xef\xbb\xbf", 3);//原因参见上一篇
	rtxt.write(sUtf8, sLen);
	rtxt.close();

	delete[] sUtf8; 
	sUtf8 =NULL; 
}

void Utf8ToUnicode()
{    
	//UTF8 Convert to Unicode, UTF8 转换为 Unicode，用UE十六进制打开“转化为”直接复制过来乱码，用16进制表示
	char* sUtf8 = "UTF8 Convert to Unicode, UTF8 \xe8\xbd\xac\xe6\x8d\xa2\xe4\xb8\xba Unicode"; 
	//UTF8 to Unicode 
	int sLen = MultiByteToWideChar(CP_UTF8, NULL, sUtf8, -1, NULL, 0); 
	wchar_t* sUnicode = new wchar_t[sLen]; 
	MultiByteToWideChar(CP_UTF8, NULL, sUtf8, -1, sUnicode, sLen);

	ofstream rtxt("utf8touni.txt");
	rtxt.write("\xff\xfe",2);
	rtxt.write((char*)sUnicode, sLen*sizeof(wchar_t));
	rtxt.close();

	delete[] sUnicode; 
	sUnicode =NULL;  
}

char* utf8_to_ansi(char* szU8)
{  
	int wcsLen = ::MultiByteToWideChar(CP_UTF8, NULL, szU8, -1, NULL, 0);  
	wchar_t* wszString = new wchar_t[wcsLen];
	::MultiByteToWideChar(CP_UTF8, NULL, szU8, -1, wszString, wcsLen);
	printf("%S\n",wszString);

	int ansiLen = ::WideCharToMultiByte(CP_ACP, NULL, wszString, -1, NULL, 0, NULL, NULL);  //wcslen(wszString)
	char* szAnsi = new char[ansiLen];  
	::WideCharToMultiByte(CP_ACP, NULL, wszString, -1, szAnsi, ansiLen, NULL, NULL); 
	delete[] wszString;
	return szAnsi;  
}

void changeTextFromUtf8ToAnsi(const char* filename)  
{  
	ifstream infile;
	string strLine="";
	string strResult="";  
	infile.open(filename);
	infile.seekg(3, ios::beg);
	if (infile)  
	{  
		while(!infile.eof())
		{  
			getline(infile,strLine);  
			strResult+=strLine+"\n";
		}  
	}
	infile.close();
	char* changeTemp=new char[strResult.length()+1];
	changeTemp[strResult.length()]='\0'; //问题记录
	strcpy(changeTemp, strResult.c_str()); //const char*转化char*的方法
	char* changeResult=utf8_to_ansi(changeTemp); 
	strResult=changeResult;  

	ofstream outfile;  
	outfile.open("ANSI.txt");  
	outfile.write(strResult.c_str(), strResult.length());  
	outfile.flush();  
	outfile.close();
	delete[] changeResult;
	delete[] changeTemp;
}