UTF8原理是啥?如何用C编写UTF8的转换代码?

Posted 2023-05-08

参考技术A UTF8并不算是一种电脑编码，而是一种储存和传送的格式，如前所述，每个Unicode/UCS字符都以 2或4个bytes来储存，看看以下的比较：

以"I am Chinese"为例
用ANSI储存：12 Bytes
用Unicode/UCS2储存：24 Bytes + 2 Bytes(header)
用UCS4储存：48 Bytes + 4 Bytes(header)

以"我是中国人"为例
用ANSI储存：10 Bytes
用Unicode/UCS2储存：10 Bytes + 2 Bytes(header)
用UCS4储存：20 Bytes + 4 Bytes(header)

由此可见直接以Unicode/UCS的原始形式来储存是一种极大的浪费，而且也不利于互联网的传输(中文稍为合算一点^_^)。

有见及此，Unicode/UCS的压缩形式－－UTF8出现了，套用官方网站的首句话『UTF-8 stands for Unicode Transformation Format-8. It is an octet (8-bit) lossless encoding of Unicode characters.』，由于UTF也适用于编码UCS，故亦可称为『UCS transformation formats (UTF)』

UTF8是以8bits即1Bytes为编码的最基本单位，当然也可以有基于16bits和32bits的形式，分别称为UTF16和UTF32，但目前用得不多，而UTF8则被广泛应用在文件储存和网络传输中。

编码原理

先看这个模板：

UCS-4 range (hex.) UTF-8 octet sequence (binary)
0000 0000-0000 007F 0xxxxxxx
0000 0080-0000 07FF 110xxxxx 10xxxxxx
0000 0800-0000 FFFF 1110xxxx 10xxxxxx 10xxxxxx

0001 0000-001F FFFF 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
0020 0000-03FF FFFF 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
0400 0000-7FFF FFFF 1111110x 10xxxxxx ... 10xxxxxx

编码步骤：
1) 首先确定需要多少个8bits(octets)
2) 按照上述模板填充每个octets的高位bits
3) 把字符的bits填充至x中，字符顺序：低位→高位，UTF8顺序：最后一个octet的最末位x→第一个octet最高位x
4) 解码的原理一样。

实例：(留意每个bit的颜色，粗体字为模板内容)

UCS-4 UTF-8
HEX BIN Bytes BIN HEX Bytes
0000 000A 00001010 4 00001010 0A 1
0000 0099 10011001 4 11000010 10011001 C2 99 2
0000 8D99 10001101 10011001 4 11101000 10110110 10011001 E8 B6 99 3

不知大家看懂了没有，其实不懂也无所谓，反正又不用自己算，程式可以完全代劳。

以UTF8格式储存的文件档首标识为EF BB BF。

效率

从上述编码原理中得出的结论是：
1.每个英文字母、数字所占的空间为1 Byte；
2.泛欧语系、斯拉夫语字母占2 Bytes；
3.汉字占3 Bytes。

由此可见UTF8对英文来说是个非常诱人的方案，但对中文来说则不太合算，无论用ANSI还是 Unicode/UCS2来编码都只用2 Bytes，但用UTF8则需要3 Bytes。

以下是一些统计资料，显示用UTF8来储存文件每个字符所需的平均字节：
1.拉丁语系平均用1.1 Bytes；
2.希腊文、俄文、阿拉伯文和希伯莱文平均用1.7 Bytes；
3.其他大部份文字如中文、日文、韩文、Hindi(北印度语)用约3 Bytes；
4.用超过4 Bytes的都是些非常少用的文字符号

Objective C中的UTF8字符解码

【中文标题】Objective C中的UTF8字符解码

【英文标题】：UTF8 character decoding in Objective C

【发布时间】：2011-06-22 06:14:13

【问题描述】：

我试图在我的 iPhone 上解析来自 json 网络服务的提要，但是 utf8 转换没有按应有的方式工作，或者我做错了什么 以下是提要的一部分 est un r\u00c3\u00aave en noir

这是我为转换上述内容而编写的代码：

NSString* str1 = @"est un r \u00c3\u00aa ve en noir";

NSString* str = [NSString stringWithUTF8String:[str1 cStringUsingEncoding:NSUTF8StringEncoding]];
NSLog(@"Converted UTF   %@",str);

这是我得到的输出：Converted UTF est un r ê ve en noir

预期的输出应该是Converted UTF est un rêve en noir

当我检查 UTF 表并在线使用 utf 转换器时，使用相同的代码并使用字符串 @"est un r\u00EAve en noir" 正确获得了输出，但如果我没记错的话，我认为是 UTF16 表示。现在我真的在修复如何解析这个提要。

【问题讨论】：

完美解决方案***.com/questions/6204718/…恭喜...

【参考方案1】：

在经历了很多悲伤之后，我想通了。使用这个。

NSString *correctString = [NSString stringWithCString:[utf8String cStringUsingEncoding:NSISOLatin1StringEncoding] encoding:NSUTF8StringEncoding];

【讨论】：

非常感谢，正是我想要的。

没问题。只是一个警告，我一直有这个解决方案的内存泄漏问题。我认为我用 [NSString stringWithString:(上面的代码)]

修复了

你是救生员。找了这么多小时，我几乎要放弃了。然后，我发现了这段可爱的小代码。非常感谢。这应该是公认的答案。

如果该解决方案适合您，那么您的 JSON 解析器工作不正确，并将传入数据解释为拉丁语 1 而不是 UTF-8。根据您的连接方式，您还应该检查您在 HTTP 标头中获得的内容（尽管 NSJSONSerialization 不接受它们，但它首先会得到正确的答案）

你拯救了我的一天。还有晚上！非常感谢！

【参考方案2】：

我认为测试用例坏了；以下：

NSString* str1 = @"est un r \u00c3\u00aa ve en noir";
NSLog(@"%@", str1);

还输出“est un r ê ve en noir”。但是，这个：

NSString* str1 = @"est un rêve en noir";
NSLog(@"%@", str1);

输出“est un rêve en noir”，如下所示：

NSString* str1 = @"est un rêve en noir";

NSString* str = [NSString stringWithUTF8String:[str1 cStringUsingEncoding:NSUTF8StringEncoding]];
NSLog(@"%@", str);

略短的版本也是如此：

NSString* str1 = @"est un rêve en noir";

NSString* str = [NSString stringWithUTF8String:[str1 UTF8Encoding]];
NSLog(@"%@", str);

而且，确实：

char *str1 = "est un r\xc3\xaave en noir";

NSString* str = [NSString stringWithUTF8String:str1];
NSLog(@"%@", str);

我认为这是 JSON 的问题，而不是 UTF8。 \u 后跟四个十六进制数字是 JSON 编码通用 UTF16 字符的方式，它不是 UTF 的固有部分。所以 NSString 不知道如何处理它。您的 JSON 解析器需要适应正确解析转义序列。

【讨论】：

同意，如果 json 输出是实际的 utf-8，那就是，? ?

【参考方案3】：

在 iOS 9 中不需要做任何事情。它会自动转换。

   NSURLSessionUploadTask *uploadTask = [session uploadTaskWithRequest:request
                                                               fromData:postData completionHandler:^(NSData *data, NSURLResponse *response, NSError *error) 

                                                                   NSLog(@"response header: %@",response);

                                                                   NSString* aStr;
                                                               aStr = [[NSString alloc] initWithData:data encoding:NSUTF8StringEncoding];
                                                               NSLog(@"response data: %@", aStr);

                                                               NSDictionary * json  = [NSJSONSerialization JSONObjectWithData:data options:0 error:nil];

                                                               for (NSDictionary *dict in json)
                                                               
                                                                   NSLog(@"%@", dict);
                                                                   NSString *name = [dict objectForKey:@"name"];
                                                                   NSString *msg = [dict objectForKey:@"message"];
                                                                   NSString *topic = [dict objectForKey:@"topic"];
                                                                   NSLog(@"*********** %@, %@, %@", name,topic,msg);

                                                                   // now do something
                                                                   

【参考方案4】：

发送到服务器时

NSString* str1 = @"est un r \u00c3\u00aa ve en noir";
    NSData *str1Data = [str1 dataUsingEncoding:NSNonLossyASCIIStringEncoding];
    NSString  *str2 = [[NSString alloc] initWithData:str1Data encoding:NSUTF8StringEncoding];

收到后可以这样解码

NSData *recivedStrData = [recivedStr dataUsingEncoding:NSUTF8StringEncoding];
    NSString *strResult = [[NSString alloc] initWithData:recivedStrData encoding:NSNonLossyASCIIStringEncoding];

这对我有用！