手把手教你实现字符串编码转换系统

2023-12-28 10:39:44 浏览数 (2)

写在前面

字符集是对特定语言中所有可读或可显示字符的称呼。例如英语、汉语、日语等都是不同的字符集。字符集决定了可以展示和表示的字符范围。在字符集中，需要使用编码字符集来实现字符的编码和转码。编码字符集使用编码值来表示字符在字库表中的位置。字库表是一个包含了所有可读或可显示字符的数据库，它决定了字符集能够展示的所有字符的范围。字符编码定义了编码字符集和实际存储数值之间的转换关系。常见的字符编码方式包括ASCII、ISO 8859-1、GB2312、GBK等。常情况下，一个字符集对应一个编码方式，比如ASCII、ISO 8859-1、GB2312、GBK等都是针对特定字符集的编码方式。

然而，一个字符集也可以有多种编码方式。例如，UCS字符集（也是Unicode使用的字符集）上有UTF-8、UTF-16、UTF-32等编码方式。

  • UTF8：又分为带签名和不带签名两种，Windows代码页为65001，VS中应该选择【UTF8-带签名】的格式
  • GBK/GB2312：Windows代码页为936
  • GB18030： Windows代码页为54936

具体实现小demo

iconv

代码语言：c复制
#include <iostream>
#include <string>
#include <string.h>
#include <stdlib.h>

using namespace std;

#ifdef _WIN32
#include <windows.h>

string GbkToUtf8(const char *src_str)
{
	int len = MultiByteToWideChar(CP_ACP, 0, src_str, -1, NULL, 0);
	wchar_t* wstr = new wchar_t[len   1];
	memset(wstr, 0, len   1);
	MultiByteToWideChar(CP_ACP, 0, src_str, -1, wstr, len);
	len = WideCharToMultiByte(CP_UTF8, 0, wstr, -1, NULL, 0, NULL, NULL);
	char* str = new char[len   1];
	memset(str, 0, len   1);
	WideCharToMultiByte(CP_UTF8, 0, wstr, -1, str, len, NULL, NULL);
	string strTemp = str;
	if (wstr) delete[] wstr;
	if (str) delete[] str;
	return strTemp;
}

string Utf8ToGbk(const char *src_str)
{
	int len = MultiByteToWideChar(CP_UTF8, 0, src_str, -1, NULL, 0);
	wchar_t* wszGBK = new wchar_t[len   1];
	memset(wszGBK, 0, len * 2   2);
	MultiByteToWideChar(CP_UTF8, 0, src_str, -1, wszGBK, len);
	len = WideCharToMultiByte(CP_ACP, 0, wszGBK, -1, NULL, 0, NULL, NULL);
	char* szGBK = new char[len   1];
	memset(szGBK, 0, len   1);
	WideCharToMultiByte(CP_ACP, 0, wszGBK, -1, szGBK, len, NULL, NULL);
	string strTemp(szGBK);
	if (wszGBK) delete[] wszGBK;
	if (szGBK) delete[] szGBK;
	return strTemp;
}
int GbkToUtf8(char *str_str, size_t src_len, char *dst_str, size_t dst_len)
{
	iconv_t cd;
	char **pin = &str_str;
	char **pout = &dst_str;

	cd = iconv_open("utf8", "gbk");
	if (cd == 0)
		return -1;
	memset(dst_str, 0, dst_len);
	if (iconv(cd, pin, &src_len, pout, &dst_len) == -1)
		return -1;
	iconv_close(cd);
	*pout = '';

	return 0;
}

int Utf8ToGbk(char *src_str, size_t src_len, char *dst_str, size_t dst_len)
{
	iconv_t cd;
	char **pin = &src_str;
	char **pout = &dst_str;

	cd = iconv_open("gbk", "utf8");
	if (cd == 0)
		return -1;
	memset(dst_str, 0, dst_len);
	if (iconv(cd, pin, &src_len, pout, &dst_len) == -1)
		return -1;
	iconv_close(cd);
	*pout = '';

	return 0;
}


int main(void)
{
	char *src_str = "您好世界，hello";
	cout << "origin string: " << src_str << endl;
	// windows default is gbk
	string dst_str = GbkToUtf8(src_str);
	cout << "gbk to utf8: " << dst_str << endl;

	string str_utf8 = Utf8ToGbk(dst_str.c_str());
	cout << "utf8 to gbk: " << str_utf8 << endl;
	// unix default is utf8
	char dst_gbk[1024] = {0};
	Utf8ToGbk(src_str, strlen(src_str), dst_gbk, sizeof(dst_gbk));
	cout << "utf8 to gbk: " << dst_gbk << endl;

	char dst_utf8[1024] = {0};
	GbkToUtf8(dst_gbk, strlen(dst_gbk), dst_utf8, sizeof(dst_utf8));
	cout << "gbk to utf8: " << dst_utf8 << endl;
	return 0;
}
  1. GbkToUtf8 函数和 Utf8ToGbk 函数分别实现了在 Windows 平台下的 GBK 转 UTF-8 和 UTF-8 转 GBK 的功能。
  2. GbkToUtf8 函数使用了 Windows API 中的 MultiByteToWideChar 和 WideCharToMultiByte 来进行编码的转换。
  3. Utf8ToGbk 函数同样使用了 Windows API 中的 MultiByteToWideChar 和 WideCharToMultiByte 来进行编码的转换。
  4. GbkToUtf8 函数的另一种实现方式是使用了 iconv 函数，可以实现不同平台下的编码转换。
  5. Utf8ToGbk 函数也使用了 iconv 函数进行编码转换。

关键函数解读

Utf8ToGbk 函数接受四个参数，分别是源字符串指针 src_str、源字符串长度 src_len、目标字符串指针 dst_str 以及目标字符串长度 dst_len。

首先定义了一个 iconv_t 类型的变量 cd，用于表示一个字符转换的描述符。

通过 iconv_open("gbk", "utf8") 打开一个从 UTF-8 到 GBK 的转换描述符，并将其赋值给 cd。如果打开失败，返回 -1。

使用 iconv 函数进行实际的编码转换，将源字符串的内容从 UTF-8 转换为 GBK，并将结果存储到目标字符串中。

在转换之前，先使用 memset 将目标字符串清零，避免之前可能存在的脏数据影响转换结果。

如果转换过程中出现错误，iconv 函数会返回 -1，并且函数也会返回 -1。

最后使用 iconv_close 关闭转换描述符，并将目标字符串末尾设置为 ''，表示字符串结束。

如果转换顺利完成，则函数返回 0，表示转换成功。

iconv_open

函数原型为：

代码语言：c复制
iconv_t iconv_open (const char* tocode, const char* fromcode);

这个函数返回一个把formcode编码的字符串转换成tocode编码的字符串的转换描述符。如果发生错误返回(iconv_t)-1，同时设置errno。

iconv

函数原型为：

代码语言：c复制
       size_t iconv(iconv_t cd,
                    char **inbuf, size_t *inbytesleft,
                    char **outbuf, size_t *outbytesleft);

这个函数利用iconv_open返回的转换描述符执行实际的转换操作。inbuf代表需要转换编码的字符地址，inbytesleft代表需要转换的字符个数地址，outbuf代表需要转换后的字符存放地址，outbytesleft代表存放转换后字符的最大个数地址。这个函数会修改传进来的参数，所以，要用另外用四个变量来表示这个地址。

函数执行失败返回(size_t)-1，errno被设置，否则，返回以不可逆的方式转换的字符个数，可逆转换的字符个数没有统计。

iconv_close

函数原型为：

代码语言：c复制
       int iconv_close (iconv_t cd);

这个函数关闭之前调用iconv_open返回的描述符，释放内存空间，如果成功返回0，否则返回-1，errno被设置。

2023腾讯·技术创作特训营第四期

0 人点赞