C++读取UTF-8及GBK系列的文本方法及原理
发布时间：2015-03-28 00:00 来源：jostree
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: 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
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：C++实现设计模式之 — 简单工厂模式
其中Text抽象类的定义如下：
#ifndef TEXT_H
#define TEXT_H
#include <iostream>
#include <fstream>
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<<path<<" 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 <iostream>
#include <string>
#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 <iostream>
#include <string>
#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 <iostream>
#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 <stdio.h>
#include <string.h>
#include <iostream>
#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<<s;
}
delete t;
}
