字节UTF到Unicode的编码转换(DOC X页)

unicode编码转换  时间:2021-04-12  阅读:()

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

PIGYun中秋特惠:香港/韩国VPS月付14元起

PIGYun发布了九月份及中秋节特惠活动,提供8折优惠码,本月商家主推中国香港和韩国机房,优惠后最低韩国每月14元/中国香港每月19元起。这是一家成立于2019年的国人商家,提供中国香港、韩国和美国等地区机房VPS主机,基于KVM架构,采用SSD硬盘,CN2+BGP线路(美国为CUVIP-AS9929、GIA等)。下面列出两款主机配置信息。机房:中国香港CPU:1core内存:1GB硬盘:10GB...

菠萝云:带宽广州移动大带宽云广州云:广州移动8折优惠,月付39元

菠萝云国人商家,今天分享一下菠萝云的广州移动机房的套餐,广州移动机房分为NAT套餐和VDS套餐,NAT就是只给端口,共享IP,VDS有自己的独立IP,可做站,商家给的带宽起步为200M,最高给到800M,目前有一个8折的优惠,另外VDS有一个下单立减100元的活动,有需要的朋友可以看看。菠萝云优惠套餐:广州移动NAT套餐,开放100个TCP+UDP固定端口,共享IP,8折优惠码:gzydnat-8...

HostKvm(4.25美)香港和俄罗斯高防机房云服务器

HostKvm 商家我们算是比较熟悉的国内商家,商家主要还是提供以亚洲数据中心,以及直连海外线路的服务商。这次商家有新增香港和俄罗斯两个机房的高防服务器方案。默认提供30GB防御,且目前半价优惠至4.25美元起步,其他方案的VPS主机还是正常的八折优惠。我们看看优惠活动。香港和俄罗斯半价优惠:2021fall,限购100台。通用优惠码:2021 ,八折优惠全部VPS。我们看看具体的套餐。1、香港高...

unicode编码转换为你推荐
大学生创新实验计划苹果appstore宕机苹果无法连接到appstore怎么办苹果appstore宕机为什App Store下载软件 到了一半就停了 不动了苹果appstore宕机苹果appstore打不开怎么办新iphone也将禁售iPhone停用怎么解锁 三种处理方法详解googlepr什么是Google PR值? 如何提高PR值?360邮箱请问360邮箱怎么申请重庆网站制作重庆网站制作,哪家专业,价格最优?sns网站有哪些有趣的SNS网站有哪些本公司www
域名系统 hawkhost优惠码 博客主机 php主机 12306抢票攻略 win8.1企业版升级win10 lighttpd 华为云主机 免费博客空间 e蜗牛 cdn联盟 老左正传 国外代理服务器地址 卡巴斯基试用版 南通服务器 shopex主机 东莞服务器托管 百度云空间 lamp兄弟连 学生机 更多