UTF-8编码的字符串拆分成单字、获取UTF-8字符串的字符

原贴：http://www.tuicool.com/articles/v67jay

一、字符编码简介

1. ASCII码

在计算机内部，所有的信息最终都表示为一个二进制的字符串。每一个二进制位（bit）有0和1两种状态，因此八个二进制位就可以组合出256种状态，这被称为一个字节（byte）。也就是说，一个字节一共可以用来表示256种不同的状态，每一个状态对应一个符号，就是256个符号，从0000000到11111111。 

上个世纪60年代，美国制定了一套字符编码，对英语字符与二进制位之间的关系，做了统一规定。这被称为ASCII码，一直沿用至今。 

ASCII码一共规定了128个字符的编码，比如空格“SPACE”是32（二进制00100000），大写的字母A是65（二进制01000001）。这128个符号（包括32个不能打印出来的控制符号），只占用了一个字节的后面7位，最前面的1位统一规定为0。

2. Unicode

英语用128个符号编码就够了，但是用来表示其他语言，128个符号是不够的。因此，很多欧洲国家发明了很多非ASCII码，同样用一个字节，用最高位为1的区间（既128~255）来扩展原来的ASCII码，其中一种比较有名的就是IBM字符编码。这样一来，这些欧洲国家使用的编码体系，可以表示最多256个符号。但是，这里又出现了新的问题。不同的国家有不同的字母，因此，哪怕它们都使用256个符号的编码方式，代表的字母却不一样。比如，130在法语编码中代表了é，在希伯来语编码中却代表了字母Gimel (ג)，在俄语编码中又会代表另一个符号。但是不管怎样，所有这些编码方式中，0—127表示的符号是一样的，不一样的只是128—255的这一段。 

至于亚洲国家的文字，使用的符号就更多了，汉字就多达10万左右。一个字节只能表示256种符号，肯定是不够的，就必须使用多个字节表达一个符号。比如，简体中文常见的编码方式是GB2312，使用两个字节表示一个汉字，所以理论上最多可以表示256x256=65536个符号。 

世界上存在着多种编码方式，同一个二进制数字可以被解释成不同的符号。因此，要想打开一个文本文件，就必须知道它的编码方式，否则用错误的编码方式解读，就会出现乱码。为什么电子邮件常常出现乱码？就是因为发信人和收信人使用的编码方式不一样。 

可以想象，如果有一种编码，将世界上所有的符号都纳入其中。每一个符号都给予一个独一无二的编码，那么乱码问题就会消失。这就是Unicode，就像它的名字都表示的，这是一种所有符号的编码。 

Unicode当然是一个很大的集合，现在的规模可以容纳100多万个符号。每个符号的编码都不一样。需要注意的是，Unicode只是一个符号集，它只规定了符号的二进制代码，却没有规定这个二进制代码应该如何存储。

3. UTF-8

互联网的普及，强烈要求出现一种统一的编码方式。UTF-8就是在互联网上使用最广的一种unicode的实现方式。其他实现方式还包括UTF-16和UTF-32，不过在互联网上基本不用。重复一遍，这里的关系是，UTF-8是Unicode的实现方式之一。 

UTF-8最大的一个特点，就是它是一种变长的编码方式。它可以使用1~6个字节表示一个符号，根据不同的符号而变化字节长度。 

UTF-8的编码规则很简单，只有二条： 

1）对于单字节的符号，字节的第一位设为0，后面7位为这个符号的unicode码。因此对于英语字母，UTF-8编码和ASCII码是相同的。 

2）对于n字节的符号（n>1），第一个字节的前n位都设为1，第n+1位设为0，后面字节的前两位一律设为10。剩下的没有提及的二进制位，全部为这个符号的unicode码。 

如表：  

1字节 0xxxxxxx  

2字节 110xxxxx 10xxxxxx  

3字节 1110xxxx 10xxxxxx 10xxxxxx  

4字节 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx  

5字节 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx  

6字节 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx  

因此UTF-8中可以用来表示字符编码的实际位数最多有31位，即上表中x所表示的位。除去那些控制位（每字节开头的10等），这些x表示的位与UNICODE编码是一一对应的，位高低顺序也相同。  

实际将UNICODE转换为UTF-8编码时应先去除高位0，然后根据所剩编码的位数决定所需最小的UTF-8编码位数。  

因此那些基本ASCII字符集中的字符（UNICODE兼容ASCII）只需要一个字节的UTF-8编码（7个二进制位）便可以表示。 

根据此规则，可以很方便的把UTF-8编码的字符串拆分成单字集合，代码如下：

1   size_t utf8_to_charset(const std::string &input, std::set<std::string> &output) {
2     std::string ch;
3     for (size_t i = 0, len = 0; i != input.length(); i += len) {
4       unsigned char byte = (unsigned)input[i];
5       if (byte >= 0xFC) // lenght 6
6         len = 6;
7       else if (byte >= 0xF8)
8         len = 5;
9       else if (byte >= 0xF0)
10         len = 4;
11       else if (byte >= 0xE0)
12         len = 3;
13       else if (byte >= 0xC0)
14         len = 2;
15       else
16         len = 1;
17       ch = input.substr(i, len);
18       output.insert(ch);
19     }
20     return output.size();
21   }

这里我把字符串转换为单字的集合（set）是因为应用场景的需要，如果需要保持单字在字符串中的位置，可以很方便的用vector来替换set。

下面是获取UTF-8字符串的字符个数（注意，不是字符串长度哦）的代码：

1   size_t get_utf8_length(const std::string &input) {
2     size_t length = 0;
3     for (size_t i = 0, len = 0; i != input.length(); i += len) {
4       unsigned char byte = input[i];
5       if (byte >= 0xFC) // lenght 6
6         len = 6;
7       else if (byte >= 0xF8)
8         len = 5;
9       else if (byte >= 0xF0)
10         len = 4;
11       else if (byte >= 0xE0)
12         len = 3;
13       else if (byte >= 0xC0)
14         len = 2;
15       else
16         len = 1;
17       length ++;
18     }
19     return length;
20   }