字节UTF到Unicode的编码转换（DOC X页）

UTF-8就是Unicode Transformation Format-8是Unicode的一种变换编码格式。

UTF-8有以下特性:

UCS字符U+0000到U+007F(ASCII)被编码为字节0x00到0x7F(ASCII兼容).这意味着只包含7位ASCII字符的文件在ASCII和UTF-8两种编码方式下是一样的.

所有>U+007F的UCS字符被编码为一个多个字节的串,每个字节都有标记位集.因此,ASCII字节(0x00-0x7F)不可能作为任何其他字符的一部分.

表示非ASCII字符的多字节串的第一个字节总是在0xC0到0xFD的范围里,并指出这个字符包含多少个字节.多字节串的其余字节都在0x80到0 xBF范围里.这使得重新同步非常容易,并使编码无国界,且很少受丢失字节的影响.

可以编入所有可能的231个UC S代码

UTF-8编码字符理论上可以最多到6个字节长,然而16位B MP字符最多只用到3字节长.

Bigendian UCS-4字节串的排列顺序是预定的.

字节0xFE和0xFF在UTF-8编码中从未用到.

下列字节串用来表示一个字符.用到哪个串取决于该字符在Unicode中的序号.

U-00000000 - U-0000007F: 0xxxxxxx

U-00000080 - U-000007FF: 110xxxxx 10xxxxxx

U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx

U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx10xxxxxx从上表还可以看出 UTF-8每个编码字符都不可能以“10”开头 “10”是以连接符的形式出现在后面的编码字节开头。因此UTF-8编码在存储和传输时是不容易出错的。

下面是UTF-8到Unicode的编码转换代码(J2 ME环境下的实现)UTFC2UniC方法包含了编码转换逻辑。/**

*将UTF-8字节数据转化为Unicode字符串

*@p aram ut f_data b yte[] -U TF-8编码字节数组

*@param len int -字节数组长度

*@return String-变换后的Unicode编码字符串

*/pub lic static String UTF2Uni(byte[]utf_data, int len){

StringBuffer unis=new StringBuffer();char unic=0;int ptr=0;int c ntB its=0;fo r(;p tr<len;)

{cntB its=getC ntB its(ut f_da ta[ptr]);if(c ntB its==-1)

{

++ptr;c o nt inue;

}elseif(c ntB its==0)

{unic=UTFC2UniC(utf_data,ptr,cntB its);

++ptr;

}else

{unic=UTFC2UniC(utf_data,ptr,cntB its);ptr+=cntBits;

}unis.appe nd(unic);

}return unis.to S tring();

}

/**

*将指定的UTF-8字节组合成一个Unicode编码字符

*@p aram ut f b yte[] -UTF-8字节数组

*@param sptr int -编码字节起始位置

*@param cntB its int -编码字节数

*@return char-变换后的Unicode字符

*/pub lic static char UTFC2UniC(byte[]utf, int sptr, int cntBits)

{

/*

Unicode<->UTF-8

U-00000000-U-0000007F: 0 xxxxxxx

U-00000080-U-000007FF: 110xxxxx 10 xxxxxx

U-00000800-U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx

U-00010000-U-001 FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

U-00200000-U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

U-04000000-U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

*/int uniC=0; // repre sent the unicode charbyte firstByte=utf[sptr];int ptr=0; // po inter 0~15

//resolve single byte UTF-8 encoding charif(c ntB its==0)return(c har)fir stByte;

//re so lve the first bytefirs tB yte&=(1<<(7-c nt B its)) - 1;

//resolve multiple bytes UTF-8 encoding char(except the first byte)fo r(int i=sptr+c ntB its - 1; i>sp tr; --i)

{byte utfb=utf[i];uniC|=(utfb&0x3 f)<<ptr;ptr+=6;

}uniC|=fir stB yte<<p tr;return(c har)uniC;

}

//根据给定字节计算UTF-8编码的一个字符所占字节数

//UTF-8规则定义字节标记只能为0或2~6

private static int getCntBits(byte b)

{int cnt=0;i f(b==0)re t ur n-1;for(int i=7; i>=0; --i)

{if(((b>>i)&0x1)==1)

++cnt;elseb re ak;

}return(cnt>6| |cnt==1)?-1 :cnt;

}

参考资料

《UTF-8 and Unicode FAQ》——http://www.linuxforum.net/books/UTF-8-Unicode.html