C++ 读取 UTF-8 及 GBK 系列的文本方法及原理-技术圈

1.读取 UTF-8 编码文本原理

首先了解 UTF-8 的编码方式，UTF-8 采用可变长编码的方式，一个字符可占 1 字节 -6 字节，其中每个字符所占的字节数由字符开始的 1 的个数确定，具体的编码方式如下：

U-00000000 – U-0000007F: 0xxxxxxxU-00000080 – U-000007FF: 110xxxxx 10xxxxxxU-00000800 – U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxxU-00010000 – U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxxU-00200000 – U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxxU-04000000 – U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

因此，对于每个字节如果起始位为“0”则说明，该字符占有 1 字节。

如果起始位为“10”则说明该字节不是字符的其实字节。

如果起始为为 n 个“1”+1个“0”，则说明改字符占有 n 个字节。其中1≤n≤6。

因此对于 UTF-8 的编码，我们只需要每次计算每个字符开始字节的 1 的个数，就可以确定这个字符的长度。

2.读取 GBK 系列文本原理

对于 ASCII、GB2312、GBK 到 GB18030 编码方法是向下兼容的，即同一个字符在这些方案中总是有相同的编码，后面的标准支持更多的字符。

在这些编码中，英文和中文可以统一地处理。区分中文编码的方法是高字节的最高位不为 0。

因此我们只需处理好 GB18130，就可以处理与他兼容的所有编码，对于GB18130 使用双字节变长编码。

单字节部分从 0×0~0x7F 与 ASCII 编码兼容。双字节部分，首字节从 0×81~0xFE，尾字节从 0×40~0x7E以及 0×80~0xFE，与 GBK 标准基本兼容。

因此只需检测首字节是否小于 0×81 即可确定其为单字节编码还是双字节编码。

3.C++ 代码实现

对于一个语言处理系统，读取不同编码的文本应该是最基础的需求，文本的编码方式应该对系统其他调用者透明，只需每次获取一个字符即可，而不需要关注这个文本的编码方式。从而我们定义了抽象类 Text，及其接口ReadOneChar，并使两个文本类 GbkText 和 UtfText 继承这个抽象类，当系统需要读取更多种编码的文件时，只需要定义新的类然后继承该抽象类即可，并不需要更改调用该类的代码。从而获得更好的扩展性。

更好的方式是使用简单工厂模式，使不同的文本编码格式对于调用类完全透明，简单工厂模式详解请参看：设计模式：可复用面向对象软件基础。

其中 Text 抽象类的定义如下：

#ifndef TEXT_H#define TEXT_H#include #include using namespace std;class Text{    protected:        char * m_binaryStr;        size_t m_length;        size_t m_index;    public:        Text(string path);        void SetIndex(size_t index);        virtual bool ReadOneChar(string &oneChar) = 0;        size_t Size();        virtual ~Text();};#endif

Text 抽象类的实现如下：

#include "Text.h"using namespace std;Text::Text(string path):m_index(0){    filebuf *pbuf;    ifstream filestr;    // 采用二进制打开    filestr.open(path.c_str(), ios::binary);    if(!filestr)    {        cerr<" Load text error."<<endl;        return;    }    // 获取filestr对应buffer对象的指针    pbuf=filestr.rdbuf();    // 调用buffer对象方法获取文件大小    m_length=(int)pbuf->pubseekoff(0,ios::end,ios::in);    pbuf->pubseekpos(0,ios::in);    // 分配内存空间    m_binaryStr = new char[m_length+1];    // 获取文件内容    pbuf->sgetn(m_binaryStr,m_length);    //关闭文件    filestr.close();}
void Text::SetIndex(size_t index){    m_index = index;}
size_t Text::Size(){    return m_length;}
Text::~Text(){    delete [] m_binaryStr;}

GBKText 类的定义如下：

#ifndef GBKTEXT_H#define GBKTEXT_H#include #include #include "Text.h"using namespace std;class GbkText:public Text{public:    GbkText(string path);    ~GbkText(void);    bool ReadOneChar(string & oneChar);};#endif

GBKText 类的实现如下：

#include "GbkText.h"GbkText::GbkText(string path):Text(path){}GbkText::~GbkText(void) {}bool GbkText::ReadOneChar(string & oneChar){    // return true 表示读取成功，    // return false 表示已经读取到流末尾    if(m_length == m_index)        return false;    if((unsigned char)m_binaryStr[m_index] < 0x81)    {        oneChar = m_binaryStr[m_index];        m_index++;    }    else    {        oneChar = string(m_binaryStr, 2);        m_index += 2;    }    return true;}

UtfText 类的定义如下：

#ifndef UTFTEXT_H#define UTFTEXT_H#include #include #include "Text.h"using namespace std;class UtfText:public Text{public:    UtfText(string path);    ~UtfText(void);    bool ReadOneChar(string & oneChar);private:    size_t get_utf8_char_len(const char & byte);};#endif

UtfText 类的实现如下：

#include "UtfText.h"UtfText::UtfText(string path):Text(path){}UtfText::~UtfText(void) {}bool UtfText::ReadOneChar(string & oneChar){    // return true 表示读取成功，    // return false 表示已经读取到流末尾    if(m_length == m_index)        return false;    size_t utf8_char_len = get_utf8_char_len(m_binaryStr[m_index]);    if( 0 == utf8_char_len )    {            oneChar = "";            m_index++;        return true;    }    size_t next_idx = m_index + utf8_char_len;    if( m_length < next_idx )    {        //cerr << "Get utf8 first byte out of input src string." << endl;        next_idx = m_length;    }    //输出UTF-8的一个字符    oneChar = string(m_binaryStr + m_index, next_idx - m_index);    //重置偏移量    m_index = next_idx;    return true;}
size_t UtfText::get_utf8_char_len(const char & byte){    // return 0 表示错误    // return 1-6 表示正确值    // 不会 return 其他值
    //UTF8 编码格式：    //     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 10xxxxxx 10xxxxxx
    size_t len = 0;    unsigned char mask = 0x80;    while( byte & mask )    {        len++;        if( len > 6 )        {            //cerr << "The mask get len is over 6." << endl;            return 0;        }        mask >>= 1;    }    if( 0 == len)    {        return 1;    }    return len;}

工厂类 TextFactory 的类定义如下：

#ifndef TEXTFACTORY_H#define TEXTFACTORY_H#include #include "Text.h"#include "UtfText.h"#include "GbkText.h"using namespace std;class TextFactory{    public:        static Text * CreateText(string textCode, string path);};#endif

工厂类的实现如下：

#include "TextFactory.h"#include "Text.h"Text * TextFactory::CreateText(string textCode, string path){    if( (textCode == "utf-8")                 || (textCode == "UTF-8")                 || (textCode == "ISO-8859-2")                || (textCode == "ascii")                 || (textCode == "ASCII")                || (textCode == "TIS-620")                || (textCode == "ISO-8859-5")                 || (textCode == "ISO-8859-7") )     {        return new UtfText(path);    }    else if((textCode == "windows-1252")                 || (textCode == "Big5")                || (textCode == "EUC-KR")                 || (textCode == "GB2312")                 || (textCode == "ISO-2022-CN")                 || (textCode == "HZ-GB-2312")                 || (textCode == "gb18030"))    {        return new GbkText(path);    }    return NULL;}

测试的 Main 函数如下：

#include #include #include #include "Text.h"#include "TextFactory.h"#include "CodeDetector.h"using namespace std;int main(int argc, char *argv[]){    string path ="日文";     string code ="utf-8";    Text * t = TextFactory::CreateText(code, path);    string s;    while(t->ReadOneChar(s))    {        cout<    }    delete t;}

- EOF -