GO代码实现判断字符编码格式及编码格式转换（utf-8、gbk）
引入
C/C++的实现请看https://www.jianshu.com/p/a83d398e3606
最近使用go开发http服务，在使用http进行通信时，发现接收报文中如果包含中文字符（非utf-8编码），直接使用go将二进制格式数据转换成字符串文本会出现乱码的情况。因为golang中的字符编码格式是utf-8，如果是其他类型的编码，例如gbk，那么直接转码后出现乱码也就理所当然了。
GBK编码格式
为了更好地说明GBK的编码方式，首先在这里先说明一下ASCII码，GB2312, GBK, GB18030的兼容性关系：
ASCII编码使用一个字节的低7位（范围0-127）来表示共128个字符，最高位为0，即 0XXX_XXXX。
GB2312为了能表示更多字符，使用单字节和双字节来进行编码，单个字节编码与ASCII完全一样，也就兼容了ASCII码，双字节编码高低字节范围都是0xA1-0xFE（范围0xA1A1 - 0xFEFE ）。要注意的是该范围的并不是每一个码位都编有字符，GB2312只编码汉字6763个和非汉字图形字符682个。 GB2312具体编码表
GBK编码同样使用单字节和双字节来进行编码，单字节也同样采用ASCII的编码，双字节GBK编码范围在0x8140 - 0xFEFE之间，细心的人一定发现了GBK编码范围覆盖了GB2312的编码范围。实际上，GB2312的所有双字节字符编码在GBK中也完全一样，这样就实现了GBK对GB2312的兼容。GBK除了包含GB2312的所有字符外，在其编码范围内编码了更多的字符。按照前面提到的，GBK首字节在 81-FE之间 （共126个），尾字节在 40-FE 之间（剔除xx7F后共190个），总计 可以有126*190 = 23940 个码位，除掉不编码的码位后共收入 21886 个汉字和图形符号，其中汉字（包括部首和构件）21003 个，图形符号 883 个。而GB18030则在兼容GBK的基础上使用四个字节来达到扩展编码的目的，与本文要介绍的内容关联不大，有兴趣的话可以自己了解。GBK具体编码表
utf-8编码格式
utf-8使用变字长方式(1到6个字节）来进行编码。 对于某一个字符的UTF-8编码，如果只有一个字节则其最高二进制位为0；如果是多字节，其第一个字节从最高位开始，连续的二进制位值为1的个数决定了其编码的位数，其余各字节均以10开头。具体表示如下：
0XXX_XXXX
110X_XXXX 10XX_XXXX
1110_XXXX 10XX_XXXX 10XX_XXXX
1111_0XXX 10XX_XXXX 10XX_XXXX 10XX_XXXX
1111_10XX 10XX_XXXX 10XX_XXXX 10XX_XXXX 10XX_XXXX
1111_110X 10XX_XXXX 10XX_XXXX 10XX_XXXX 10XX_XXXX 10XX_XXXX
go判断字符串是否是gbk:
func isGBK(data []byte) bool {
length := len(data)
var i int = 0
for i < length {
if data[i] <= 0x7f {
//编码0~127,只有一个字节的编码，兼容ASCII码
i++
continue
} else {
//大于127的使用双字节编码，落在gbk编码范围内的字符
if data[i] >= 0x81 &&
data[i] <= 0xfe &&
data[i + 1] >= 0x40 &&
data[i + 1] <= 0xfe &&
data[i + 1] != 0xf7 {
i += 2
continue
} else {
return false
}
}
}
return true
}
go判断字符串是否是utf-8
func preNUm(data byte) int {
var mask byte = 0x80
var num int = 0
//8bit中首个0bit前有多少个1bits
for i:=0; i < 8; i++ {
if (data & mask) == mask {
num++
mask = mask >> 1
} else {
break
}
}
return num
}
func isUtf8(data []byte) bool {
i := 0
for i < len(data) {
if (data[i] & 0x80) == 0x00 {
// 0XXX_XXXX
i++
continue
} else if num := preNUm(data[i]); num > 2 {
// 110X_XXXX 10XX_XXXX
// 1110_XXXX 10XX_XXXX 10XX_XXXX
// 1111_0XXX 10XX_XXXX 10XX_XXXX 10XX_XXXX
// 1111_10XX 10XX_XXXX 10XX_XXXX 10XX_XXXX 10XX_XXXX
// 1111_110X 10XX_XXXX 10XX_XXXX 10XX_XXXX 10XX_XXXX 10XX_XXXX
// preNUm() 返回首个字节的8个bits中首个0bit前面1bit的个数，该数量也是该字符所使用的字节数
i++
for j := 0; j < num - 1; j++ {
//判断后面的 num - 1 个字节是不是都是10开头
if (data[i] & 0xc0) != 0x80 {
return false
}
i++
}
} else {
//其他情况说明不是utf-8
return false
}
}
return true
}
go gbk与utf-8相互转换:
gbk与utf-8相互转换可以使用官方的golang.org/x/text 包来进行转换 需要先安装这个第三方包，使用以下命令进行安装
go get golang.org/x/text
import "golang.org/x/text/encoding/simplifiedchinese"
simplifiedchinese.GBK.NewEncoder().Bytes() //utf-8 转 gbk
simplifiedchinese.GBK.NewDecoder().Bytes() //gbk 转 utf-8
用例：
const (
GBK string = "GBK"
UTF8 string = "UTF8"
UNKNOWN string = "UNKNOWN"
)
//需要说明的是，isGBK()是通过双字节是否落在gbk的编码范围内实现的，
//而utf-8编码格式的每个字节都是落在gbk的编码范围内，
//所以只有先调用isUtf8()先判断不是utf-8编码，再调用isGBK()才有意义
func GetStrCoding(data []byte) string {
if isUtf8(data) == true {
return UTF8
} else if isGBK(data) == true {
return GBK
} else {
return UNKNOWN
}
}
func main() {
str := "月色真美，风也温柔，233333333，~！@#" //go字符串编码为utf-8
fmt.Println("before convert:", str) //打印转换前的字符串
fmt.Println("coding:", GetStrCoding([]byte(str))) //判断是否是utf-8
gbkData, _ := simplifiedchinese.GBK.NewEncoder().Bytes([]byte(str)) //使用官方库将utf-8转换为gbk
fmt.Println("gbk直接打印会出现乱码:", string(gbkData)) //乱码字符串
fmt.Println("coding:", GetStrCoding(gbkData)) //判断是否是gbk
utf8Data, _ := simplifiedchinese.GBK.NewDecoder().Bytes(gbkData) //将gbk再转换为utf-8
fmt.Println("coding:", GetStrCoding(utf8Data)) //判断是否是utf-8
fmt.Println("after convert:", string(utf8Data)) //打印转换后的字符串
}
本文由 创作，采用 知识共享署名4.0 国际许可协议进行许可。本站文章除注明转载/出处外，均为本站原创或翻译，转载前请务必署名。最后编辑时间为: 2020/08/09 09:51