unicode编码和utf8 UTF-8到Unicode的编码转换.doc

unicode编码和utf8 UTF-8到Unicode的编码转换 导读：就爱阅读网友为您分享以下“UTF-8到Unicode的编码转换”资讯，希望对您有所帮助，感谢您对92的支持! 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 gt;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. U- U-0000007F: 0xxxxxxx U- U-000007FF: U- U-0000FFFF: U- U-001FFFFF: U- U-03FFFFFF: U- U-7FFFFFFF: 110xxxxx 10xxxxxx 1110xxxx 10xxxxxx 10xxxxxx 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx10xxxxxx 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 lt; 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