C++ UTF8和UTF16互转代码
简介
1、这段代码只考虑在小端序情况下的转换(一般的机器都是的)。
2、这段代码需要C++11的支持(只是用到了u16string
),如果不支持,可以添加下面代码
typedef uint16_t char16_t;
typedef std::basic_string<char16_t>
utfconvert.h
#ifndef __UTFCONVERT_H__
#define __UTFCONVERT_H__
#include <string>
// 从UTF16编码字符串构建,需要带BOM标记
std::string utf16_to_utf8(const std::u16string& u16str);
// 从UTF16 LE编码的字符串创建
std::string utf16le_to_utf8(const std::u16string& u16str);
// 从UTF16BE编码字符串创建
std::string utf16be_to_utf8(const std::u16string& u16str);
// 获取转换为UTF-16 LE编码的字符串
std::u16string utf8_to_utf16le(const std::string& u8str, bool addbom = false, bool* ok = NULL);
// 获取转换为UTF-16 BE的字符串
std::u16string utf8_to_utf16be(const std::string& u8str, bool addbom = false, bool* ok = NULL);
#endif //! __UTFCONVERT_H__
utfconvert.cpp
#include "utfconvert.h"
#include <stdint.h>
#ifdef __GNUC__
#include <endian.h>
#endif // __GNUC__
static inline uint16_t byteswap_ushort(uint16_t number)
{
#if defined(_MSC_VER) && _MSC_VER > 1310
return _byteswap_ushort(number);
#elif defined(__GNUC__)
return __builtin_bswap16(number);
#else
return (number >> 8) | (number << 8);
#endif
}
////////////////////////////////////////
// 以下转换都是在小端序下进行 //
////////////////////////////////////////
// 从UTF16编码字符串构建,需要带BOM标记
std::string utf16_to_utf8(const std::u16string& u16str)
{
if (u16str.empty()){ return std::string(); }
//Byte Order Mark
char16_t bom = u16str[0];
switch (bom){
case 0xFEFF: //Little Endian
return utf16le_to_utf8(u16str);
break;
case 0xFFFE: //Big Endian
return utf16be_to_utf8(u16str);
break;
default:
return std::string();
}
}
// 从UTF16 LE编码的字符串创建
std::string utf16le_to_utf8(const std::u16string& u16str)
{
if (u16str.empty()){ return std::string(); }
const char16_t* p = u16str.data();
std::u16string::size_type len = u16str.length();
if (p[0] == 0xFEFF){
p += 1; //带有bom标记,后移
len -= 1;
}
// 开始转换
std::string u8str;
u8str.reserve(len * 3);
char16_t u16char;
for (std::u16string::size_type i = 0; i < len; ++i){
// 这里假设是在小端序下(大端序不适用)
u16char = p[i];
// 1字节表示部分
if (u16char < 0x0080){
// u16char <= 0x007f
// U- 0000 0000 ~ 0000 07ff : 0xxx xxxx
u8str.push_back((char)(u16char & 0x00FF)); // 取低8bit
continue;
}
// 2 字节能表示部分
if (u16char >= 0x0080 && u16char <= 0x07FF){
// * U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
u8str.push_back((char)(((u16char >> 6) & 0x1F) | 0xC0));
u8str.push_back((char)((u16char & 0x3F) | 0x80));
continue;
}
// 代理项对部分(4字节表示)
if (u16char >= 0xD800 && u16char <= 0xDBFF) {
// * U-00010000 - U-001FFFFF: 1111 0xxx 10xxxxxx 10xxxxxx 10xxxxxx
uint32_t highSur = u16char;
uint32_t lowSur = p[++i];
// 从代理项对到UNICODE代码点转换
// 1、从高代理项减去0xD800,获取有效10bit
// 2、从低代理项减去0xDC00,获取有效10bit
// 3、加上0x10000,获取UNICODE代码点值
uint32_t codePoint = highSur - 0xD800;
codePoint <<= 10;
codePoint |= lowSur - 0xDC00;
codePoint += 0x10000;
// 转为4字节UTF8编码表示
u8str.push_back((char)((codePoint >> 18) | 0xF0));
u8str.push_back((char)(((codePoint >> 12) & 0x3F) | 0x80));
u8str.push_back((char)(((codePoint >> 06) & 0x3F) | 0x80));
u8str.push_back((char)((codePoint & 0x3F) | 0x80));
continue;
}
// 3 字节表示部分
{
// * U-0000E000 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
u8str.push_back((char)(((u16char >> 12) & 0x0F) | 0xE0));
u8str.push_back((char)(((u16char >> 6) & 0x3F) | 0x80));
u8str.push_back((char)((u16char & 0x3F) | 0x80));
continue;
}
}
return u8str;
}
// 从UTF16BE编码字符串创建
std::string utf16be_to_utf8(const std::u16string& u16str)
{
if (u16str.empty()){ return std::string(); }
const char16_t* p = u16str.data();
std::u16string::size_type len = u16str.length();
if (p[0] == 0xFEFF){
p += 1; //带有bom标记,后移
len -= 1;
}
// 开始转换
std::string u8str;
u8str.reserve(len * 2);
char16_t u16char; //u16le 低字节存低位,高字节存高位
for (std::u16string::size_type i = 0; i < len; ++i) {
// 这里假设是在小端序下(大端序不适用)
u16char = p[i];
// 将大端序转为小端序
u16char = byteswap_ushort(u16char);
// 1字节表示部分
if (u16char < 0x0080) {
// u16char <= 0x007f
// U- 0000 0000 ~ 0000 07ff : 0xxx xxxx
u8str.push_back((char)(u16char & 0x00FF));
continue;
}
// 2 字节能表示部分
if (u16char >= 0x0080 && u16char <= 0x07FF) {
// * U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
u8str.push_back((char)(((u16char >> 6) & 0x1F) | 0xC0));
u8str.push_back((char)((u16char & 0x3F) | 0x80));
continue;
}
// 代理项对部分(4字节表示)
if (u16char >= 0xD800 && u16char <= 0xDBFF) {
// * U-00010000 - U-001FFFFF: 1111 0xxx 10xxxxxx 10xxxxxx 10xxxxxx
uint32_t highSur = u16char;
uint32_t lowSur = byteswap_ushort(p[++i]);
// 从代理项对到UNICODE代码点转换
// 1、从高代理项减去0xD800,获取有效10bit
// 2、从低代理项减去0xDC00,获取有效10bit
// 3、加上0x10000,获取UNICODE代码点值
uint32_t codePoint = highSur - 0xD800;
codePoint <<= 10;
codePoint |= lowSur - 0xDC00;
codePoint += 0x10000;
// 转为4字节UTF8编码表示
u8str.push_back((char)((codePoint >> 18) | 0xF0));
u8str.push_back((char)(((codePoint >> 12) & 0x3F) | 0x80));
u8str.push_back((char)(((codePoint >> 06) & 0x3F) | 0x80));
u8str.push_back((char)((codePoint & 0x3F) | 0x80));
continue;
}
// 3 字节表示部分
{
// * U-0000E000 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
u8str.push_back((char)(((u16char >> 12) & 0x0F) | 0xE0));
u8str.push_back((char)(((u16char >> 6) & 0x3F) | 0x80));
u8str.push_back((char)((u16char & 0x3F) | 0x80));
continue;
}
}
return u8str;
}
// 获取转换为UTF-16 LE编码的字符串
std::u16string utf8_to_utf16le(const std::string& u8str, bool addbom, bool* ok)
{
std::u16string u16str;
u16str.reserve(u8str.size());
if (addbom) {
u16str.push_back(0xFEFF); //bom (字节表示为 FF FE)
}
std::string::size_type len = u8str.length();
const unsigned char* p = (unsigned char*)(u8str.data());
// 判断是否具有BOM(判断长度小于3字节的情况)
if (len > 3 && p[0] == 0xEF && p[1] == 0xBB && p[2] == 0xBF){
p += 3;
len -= 3;
}
bool is_ok = true;
// 开始转换
for (std::string::size_type i = 0; i < len; ++i) {
uint32_t ch = p[i]; // 取出UTF8序列首字节
if ((ch & 0x80) == 0) {
// 最高位为0,只有1字节表示UNICODE代码点
u16str.push_back((char16_t)ch);
continue;
}
switch (ch & 0xF0)
{
case 0xF0: // 4 字节字符, 0x10000 到 0x10FFFF
{
uint32_t c2 = p[++i];
uint32_t c3 = p[++i];
uint32_t c4 = p[++i];
// 计算UNICODE代码点值(第一个字节取低3bit,其余取6bit)
uint32_t codePoint = ((ch & 0x07U) << 18) | ((c2 & 0x3FU) << 12) | ((c3 & 0x3FU) << 6) | (c4 & 0x3FU);
if (codePoint >= 0x10000)
{
// 在UTF-16中 U+10000 到 U+10FFFF 用两个16bit单元表示, 代理项对.
// 1、将代码点减去0x10000(得到长度为20bit的值)
// 2、high 代理项 是将那20bit中的高10bit加上0xD800(110110 00 00000000)
// 3、low 代理项 是将那20bit中的低10bit加上0xDC00(110111 00 00000000)
codePoint -= 0x10000;
u16str.push_back((char16_t)((codePoint >> 10) | 0xD800U));
u16str.push_back((char16_t)((codePoint & 0x03FFU) | 0xDC00U));
}
else
{
// 在UTF-16中 U+0000 到 U+D7FF 以及 U+E000 到 U+FFFF 与Unicode代码点值相同.
// U+D800 到 U+DFFF 是无效字符, 为了简单起见,这里假设它不存在(如果有则不编码)
u16str.push_back((char16_t)codePoint);
}
}
break;
case 0xE0: // 3 字节字符, 0x800 到 0xFFFF
{
uint32_t c2 = p[++i];
uint32_t c3 = p[++i];
// 计算UNICODE代码点值(第一个字节取低4bit,其余取6bit)
uint32_t codePoint = ((ch & 0x0FU) << 12) | ((c2 & 0x3FU) << 6) | (c3 & 0x3FU);
u16str.push_back((char16_t)codePoint);
}
break;
case 0xD0: // 2 字节字符, 0x80 到 0x7FF
case 0xC0:
{
uint32_t c2 = p[++i];
// 计算UNICODE代码点值(第一个字节取低5bit,其余取6bit)
uint32_t codePoint = ((ch & 0x1FU) << 12) | ((c2 & 0x3FU) << 6);
u16str.push_back((char16_t)codePoint);
}
break;
default: // 单字节部分(前面已经处理,所以不应该进来)
is_ok = false;
break;
}
}
if (ok != NULL) { *ok = is_ok; }
return u16str;
}
// 获取转换为UTF-16 BE的字符串
std::u16string utf8_to_utf16be(const std::string& u8str, bool addbom, bool* ok)
{
// 先获取utf16le编码字符串
std::u16string u16str = utf8_to_utf16le(u8str, addbom, ok);
// 将小端序转换为大端序
for (size_t i = 0; i < u16str.size(); ++i) {
u16str[i] = byteswap_ushort(u16str[i]);
}
return u16str;
}