使用C++读取UTF8及GBK系列的文本方法及原理

作者:jostree 转载请注明出处 http://www.cnblogs.com/jostree/p/4374404.html

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起始字节。

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$1 leq n leq 6$。

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 0x0~0x7F 与 ASCII 编码兼容。双字节部分,首字节从 0x81~0xFE,尾字节从 0x40~0x7E以及 0x80~0xFE,与GBK标准基本兼容。

因此只需检测首字节是否小于0x81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:

 1 #ifndef TEXT_H
 2 #define TEXT_H
 3 #include <iostream>
 4 #include <fstream>
 5 using namespace std;
 6 class Text
 7 {
 8     protected:
 9         char * m_binaryStr;
10         size_t m_length;
11         size_t m_index;
12     public:
13         Text(string path);
14         void SetIndex(size_t index);
15         virtual bool ReadOneChar(string &oneChar) = 0;
16         size_t Size();
17         virtual ~Text();
18 };
19 #endif
View Code

Text抽象类的实现如下:

 1 #include "Text.h"
 2 using namespace std;
 3 Text::Text(string path):m_index(0)
 4 {
 5     filebuf *pbuf;
 6     ifstream filestr;
 7     // 采用二进制打开 
 8     filestr.open(path.c_str(), ios::binary);
 9     if(!filestr)
10     {
11         cerr<<path<<" Load text error."<<endl;
12         return;
13     }
14     // 获取filestr对应buffer对象的指针 
15     pbuf=filestr.rdbuf();
16     // 调用buffer对象方法获取文件大小
17     m_length=(int)pbuf->pubseekoff(0,ios::end,ios::in);
18     pbuf->pubseekpos(0,ios::in);
19     // 分配内存空间
20     m_binaryStr = new char[m_length+1];
21     // 获取文件内容
22     pbuf->sgetn(m_binaryStr,m_length);
23     //关闭文件
24     filestr.close();
25 }
26 
27 void Text::SetIndex(size_t index)
28 {
29     m_index = index;
30 }
31 
32 size_t Text::Size()
33 {
34     return m_length;
35 }
36 
37 Text::~Text()
38 {
39     delete [] m_binaryStr;
40 }
View Code

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
View Code

GBKText类的实现如下:

 1 #include "GbkText.h"
 2 GbkText::GbkText(string path):Text(path){}
 3 GbkText::~GbkText(void) {}
 4 bool GbkText::ReadOneChar(string & oneChar)
 5 {
 6     // return true 表示读取成功,
 7     // return false 表示已经读取到流末尾
 8     if(m_length == m_index)
 9         return false;
10         if((unsigned char)m_binaryStr[m_index] < 0x81)
11     {
12         oneChar = m_binaryStr[m_index];
13         m_index++;
14     }
15     else
16     {
17         oneChar = string(m_binaryStr, 2);
18         m_index += 2;
19     }
20     return true;
21 }
View Code

UtfText类的定义如下:

 1 #ifndef UTFTEXT_H
 2 #define UTFTEXT_H
 3 #include <iostream>
 4 #include <string>
 5 #include "Text.h"
 6 using namespace std;
 7 class UtfText:public Text
 8 {
 9 public:
10     UtfText(string path);
11     ~UtfText(void);
12     bool ReadOneChar(string & oneChar);
13 private:
14     size_t get_utf8_char_len(const char & byte);
15 };
16 #endif
View Code

UtfText类的实现如下:

 1 #include "UtfText.h"
 2 UtfText::UtfText(string path):Text(path){}
 3 UtfText::~UtfText(void) {}
 4 bool UtfText::ReadOneChar(string & oneChar)
 5 {
 6     // return true 表示读取成功,
 7     // return false 表示已经读取到流末尾
 8     if(m_length == m_index)
 9         return false;
10     size_t utf8_char_len = get_utf8_char_len(m_binaryStr[m_index]);
11     if( 0 == utf8_char_len )
12     {
13             oneChar = "";
14             m_index++;
15         return true;
16     }
17     size_t next_idx = m_index + utf8_char_len;
18     if( m_length < next_idx )
19     {
20         //cerr << "Get utf8 first byte out of input src string." << endl;
21         next_idx = m_length;
22     }
23     //输出UTF-8的一个字符
24     oneChar = string(m_binaryStr + m_index, next_idx - m_index);
25     //重置偏移量
26     m_index = next_idx;
27     return true;
28 }
29 
30 
31 size_t UtfText::get_utf8_char_len(const char & byte)
32 {
33     // return 0 表示错误
34     // return 1-6 表示正确值
35     // 不会 return 其他值 
36 
37     //UTF8 编码格式:
38     //     U-00000000 - U-0000007F: 0xxxxxxx  
39     //     U-00000080 - U-000007FF: 110xxxxx 10xxxxxx  
40     //     U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx  
41     //     U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx  
42     //     U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx  
43     //     U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx  
44 
45     size_t len = 0;
46     unsigned char mask = 0x80;
47     while( byte & mask )
48     {
49         len++;
50         if( len > 6 )
51         {
52             //cerr << "The mask get len is over 6." << endl;
53             return 0;
54         }
55         mask >>= 1;
56     }
57     if( 0 == len)
58     {
59         return 1;
60     }
61     return len;
62 }
View Code

工厂类TextFactory的类定义如下:

 1 #ifndef TEXTFACTORY_H
 2 #define TEXTFACTORY_H
 3 #include <iostream>
 4 #include "Text.h"
 5 #include "UtfText.h"
 6 #include "GbkText.h"
 7 using namespace std;
 8 class TextFactory
 9 {
10     public:
11         static Text * CreateText(string textCode, string path);
12 };
13 #endif
View Code

工厂类的实现如下:

 1 #include "TextFactory.h"
 2 #include "Text.h"
 3 Text * TextFactory::CreateText(string textCode, string path)
 4 {
 5     if( (textCode == "utf-8") 
 6                 || (textCode == "UTF-8") 
 7                 || (textCode == "ISO-8859-2")
 8                 || (textCode == "ascii") 
 9                 || (textCode == "ASCII")
10                 || (textCode == "TIS-620")
11                 || (textCode == "ISO-8859-5") 
12                 || (textCode == "ISO-8859-7") ) 
13     {
14         return new UtfText(path);
15     }
16     else if((textCode == "windows-1252") 
17                 || (textCode == "Big5")
18                 || (textCode == "EUC-KR") 
19                 || (textCode == "GB2312") 
20                 || (textCode == "ISO-2022-CN") 
21                 || (textCode == "HZ-GB-2312") 
22                 || (textCode == "gb18030"))
23     {
24         return new GbkText(path);
25     }
26     return NULL;
27 }
View Code 

测试的Main函数如下:

 1 #include <stdio.h>
 2 #include <string.h>
 3 #include <iostream>
 4 #include "Text.h"
 5 #include "TextFactory.h"
 6 #include "CodeDetector.h"
 7 using namespace std;
 8 int main(int argc, char *argv[])
 9 {
10     string path ="日文"; 
11     string code ="utf-8";
12     Text * t = TextFactory::CreateText(code, path);
13     string s;
14     while(t->ReadOneChar(s))
15     {
16         cout<<s;
17     }
18     delete t;
19 }
View Code

编译运行后即可在控制台输出正确的文本。

 

 
原文地址:https://www.cnblogs.com/jostree/p/4374404.html