Comment puis-je convertir les caractères d'une chaîne UTF-8 en points de code UCS-2 correspondants ?

Conversion de caractères en points de code UCS-2 dans une chaîne UTF-8

Cette question concerne l'obtention des points de code UCS-2 pour une chaîne UTF-8 donnée. La tâche consiste à convertir les caractères individuels en points de code UCS-2 correspondants, quelle que soit la langue ou la complexité des caractères.

Représentation du point de code UCS-2

Chaque point de code UCS-2 est stocké sur 1 à 4 octets, en fonction de la valeur du point de code :

• 1 octet : 0xxxxxxx
• 2 octets : 110xxxxx 10xxxxxx
• 3 octets : 1110xxxx 10xxxxxx 10xxxxxx
• 4 octets : 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

Détermination du nombre d'octets

Pour déterminer le nombre d'octets pour un caractère, examinez le premier octet :

• Linge 0 : caractère de 1 octet
• Linge 110 : caractère de 2 octets
• Linge 1110 : caractère de 3 octets
• Linge 11110 : caractère de 4 octets
• Linge 10 : octet non initial d'un caractère multi-octets
• Linge 11111 : caractère invalide

Exemple de code C

Voici un exemple de code C pour convertir un caractère UTF-8 en point de code UCS-2 :

<code class="c">wchar_t utf8_char_to_ucs2(const unsigned char *utf8)
{
  if(!(utf8[0] & 0x80))      // 0xxxxxxx
    return (wchar_t)utf8[0];
  else if((utf8[0] & 0xE0) == 0xC0)  // 110xxxxx
    return (wchar_t)(((utf8[0] & 0x1F) << 6) | (utf8[1] & 0x3F));
  else if((utf8[0] & 0xF0) == 0xE0)  // 1110xxxx
    return (wchar_t)(((utf8[0] & 0x0F) << 12) | ((utf8[1] & 0x3F) << 6) | (utf8[2] & 0x3F));
  else
    return ERROR;  // uh-oh, UCS-2 can't handle code points this high
}</code>

Solutions alternatives

Vous pouvez également utiliser des bibliothèques existantes comme iconv ou des bibliothèques spécifiques à votre langage de programmation.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!