UTF-8到Unicode的编码转换

UTF-8就是Unicode Transformation Format-8，是Unicode的一种变换编码格式。

UTF-8 有以下特性:

UCS 字符 U+0000 到 U+007F (ASCII) 被编码为字节 0x00 到 0x7F (ASCII 兼容). 这意味着只包含 7 位 ASCII 字符的文件在 ASCII 和 UTF-8 两种编码方式下是一样的.

所有 >U+007F 的 UCS 字符被编码为一个多个字节的串, 每个字节都有标记位集. 因此, ASCII 字节 (0x00-0x7F) 不可能作为任何其他字符的一部分.

表示非 ASCII 字符的多字节串的第一个字节总是在 0xC0 到 0xFD 的范围里, 并指出这个字符包含多少个字节. 多字节串的其余字节都在 0x80 到 0xBF 范围里. 这使得重新同步非常容易, 并使编码无国界, 且很少受丢失字节的影响.

可以编入所有可能的 2³¹个 UCS 代码

UTF-8 编码字符理论上可以最多到 6 个字节长, 然而 16 位 BMP 字符最多只用到 3 字节长.

Bigendian UCS-4 字节串的排列顺序是预定的.

字节 0xFE 和 0xFF 在 UTF-8 编码中从未用到.

下列字节串用来表示一个字符. 用到哪个串取决于该字符在 Unicode 中的序号.

从上表还可以看出，UTF-8每个编码字符都不可能以“10”开头，“10”是以连接符的形式出现在后面的编码字节开头。因此UTF-8编码在存储和传输时是不容易出错的。

下面是UTF-8到Unicode的编码转换代码(J2ME环境下的实现)：UTFC2UniC方法包含了编码转换逻辑。

/**

     * 将UTF-8字节数据转化为Unicode字符串

     * @param utf_data byte[] - UTF-8编码字节数组

     * @param len int - 字节数组长度

     * @return String - 变换后的Unicode编码字符串

     */

    public static String UTF2Uni(byte[] utf_data, int len)

    {

        StringBuffer unis = new StringBuffer();

        char unic = 0;

        int ptr = 0;

        int cntBits = 0;

        for(;ptr < len;)

        {

            cntBits = getCntBits(utf_data[ptr]);

            if(cntBits == -1)

            {

                ++ptr;

                continue;

            }

            else

            if(cntBits == 0)

            {

                unic = UTFC2UniC(utf_data, ptr, cntBits);

                ++ptr;

            }

            else

            {

                unic = UTFC2UniC(utf_data, ptr, cntBits);

                ptr += cntBits;

            }

            unis.append(unic);

        }

        return unis.toString();

    }

    /**

     * 将指定的UTF-8字节组合成一个Unicode编码字符

     * @param utf byte[] - UTF-8字节数组

     * @param sptr int - 编码字节起始位置

     * @param cntBits int - 编码字节数

     * @return char - 变换后的Unicode字符

     */

    public static char UTFC2UniC(byte[] utf, int sptr, int cntBits)

    {

       /*

         Unicode <-> UTF-8

         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

      */

        int uniC = 0;                         //  represent the unicode char

        byte firstByte = utf[sptr];

        int ptr = 0;                          //  pointer 0 ~ 15

        // resolve single byte UTF-8 encoding char

        if(cntBits == 0)

            return (char) firstByte;

        // resolve the first byte

        firstByte &= (1 << (7 - cntBits)) - 1;

        // resolve multiple bytes UTF-8 encoding char(except the first byte)

        for(int i = sptr + cntBits - 1; i > sptr; --i)

        {

            byte utfb = utf[i];

            uniC |= (utfb & 0x3f) << ptr;

            ptr += 6;

        }

        uniC |= firstByte << ptr;

        return (char)uniC;

    }

    // 根据给定字节计算UTF-8编码的一个字符所占字节数

    // UTF-8规则定义，字节标记只能为0或2~6

    private static int getCntBits(byte b)

    {

        int cnt = 0;

        if (b == 0) return -1;

        for(int i = 7; i >= 0; --i)

        {

            if (((b >> i) & 0x1) == 1)

                ++cnt;

            else

                break;

        }

        return (cnt > 6 || cnt == 1) ? -1 : cnt;

    }