简述UTF－8编码原理及其文本文件的读写技术

　　系统自带的记事本有读写UTF－8文本文件的功能，我想在自编的记
事本中也加入这个功能，但在网上查找了一个钟头，竟然找不到用VB编
写的代码，看来，天降大任于斯人也，大概要由我来开这个头了。
　　于是我在网上狂查UTF－8的文章，恶补这方面的知识，并且还真的
获益非浅，起码从七窍通六窍——一窍不通到七窍通一窍——略知一二
了，呵呵。
　　当我做完最后一次试验时，长长地叹了一口气，美美地伸了一个懒
腰，呵呵，真爽啊，一天的时间终于没有白费！这也许就是编程的乐趣
吧，当看到程序按照自己的愿望运行时，各位哥们姐们，你们的心情一
定也与我是一样的，无比舒畅。
　　下面我先简单讲述一下UTF－8编码的有关知识，并且只讲与我编写
的读写UTF－8文本代码有关的知识（如有谬误之处请各位兄弟指正），
详细的理论请各位自己找专业文章看看。
　　UTF-8 编码字符理论上可以最多到 6个字节长，但目前全世界的所
有文字和符号种类加起来也只要编到 4个字节长就够了。
　　UTF-8 是以 8位（即 1个字节）为单元对原始码进行编码（注意一
点：这里所讲的原始码都是指Unicode码），并规定：多字节码（2个字
节以上才称为多字节）以转换后第1个字节起头的连续“1”的数目（这
些连续“1”称为标记位），表示转换成几个字节：“110”连续两个
“1”，表示转换结果为2个字节，“1110”表示3个字节，而“11110”
则表示4个字节……跟随在标记位之后的“0”，其作用是分隔标记位和
字符码位。第2～第4个字节的起头两个位固定设置为“10”，也作为标
记，剩下的6个位才做为字符码位使用。
　　这样，2字节UTF-8码剩下11个字符码位，可用以转换0080～07FF的
原始字符码，3字节剩下16个字符码位，可用以转换0800～FFFF的原始字
符码，由此类推。编码方式的模板如下：

原始码（16进制）　UTF－8编码（二进制）
--------------------------------------------
0000 - 007F       0xxxxxxx
0080 - 07FF       110xxxxx 10xxxxxx
0800 - FFFF       1110xxxx 10xxxxxx 10xxxxxx
……
--------------------------------------------

　　模板中的“x”表示字符码。
　　VB能识别的 Ascii码＜007F，所以在VB中，Ascii码都只能编为1个
字节的UTF－8码。汉字的 Unicode编码范围为0800－FFFF，所以被编为
3个字节的UTF－8码。
　　例如“汉”字的Unicode编码是6C49，6C49在0800-FFFF之间，所以
要用3个字节的模板：1110xxxx 10xxxxxx 10xxxxxx。
　　UTF－8文本文件与Unicode文本文件类似，在文件的头部也有标记字
节，Unicode文件的标记是2个字节：&HFF 和 &HFE，UTF－8文件的标记
是3个字节：&HEF、&HBB 和 &HBF

　　要写入UTF-8编码的文本文件，关键是对汉字编码的处理。我们从
上述的汉字编码模板就可以看出，对汉字的处理步骤大致为：
第一步：取得汉字的Unicode码
第二步：将Unicode码分解为两个16进制数据
第三步：将这两个16进制数据转换成二进制数据并连接
第四步：将二进制数据分解为三个串，第一个串为4个位，在前面加上
标记位“1110”，第二、三个串均为6个位，分别在前面加上“10”标
记位
第五步：将这三个串分别转换为10进制数据并赋值给字节型数组
第六步：将字节型数组用二进制法写盘，并且要先在文本头存入三个字
节的标记（&HEF、&HBB、&HBF），再将转换好的数据写入

　　要读取UTF-8编码的文本文件，对汉字的处理步骤大致为：
第一步：用二进制法读入文本数据，赋值给字节型数组，并判断前3个字
节是否UTF－8标记，如果是，才进行以下的处理
第二步：逐个字节判断是否汉字编码，如果是，就再提取后两个数组元
素，共三个数组元素来加以处理
第三步：将这三个数据都转换成16进制数据
第四步：将三个16进制数据都转换成二进制数据
第五步：从第一个二进制数据中去掉前4位，从第二、三个二进制数据
中分别去掉前2位，并将这三个处理后的二进制数据依次连接，成为一
个16位的字串
第六步：从这个二进制串中分别提取前8位和后8位转换成两个10进制
数据，这两个数据就是汉字的Unicode码了，将它们赋值给一个字符型
变量即可

　　由于上述的二进制数字均须进行大量的字符串操作，因此在实际的
代码中，笔者采用了逻辑运算（位操作）来代替上述的字符串操作

　　新建一个工程，添加一个文本框，MultiLine 属性设为 True，
ScroBars 属性设为2，再添加一个公用对话框，改其名称为CD。再用
菜单编辑器建立二个菜单项：一个的标题为“另存为UTF-8文件”，名
称为“SaveToUTF8”，另一个用于打开文件，标题为“打开”，名称为
“OpenFile”。

代码如下：

Option Explicit
Dim DAT() As Byte, DAT1() As Byte
Dim Z As String
Dim i As Long

Private Sub SaveToUTF8_Click()
On Error GoTo OutError
Dim zAsc As Long 'Ascii码暂存
Dim L As Long '字节计数
CD.Flags = &H200A
CD.DialogTitle = "另存为"
CD.Filter = "UTF-8文本(*.txt)|*.txt"
CD.ShowSave
If CD.FileName = "" Then Exit Sub
For i = 1 To Len(Text1)
Z = Mid(Text1, i, 1): zAsc = Asc(Z)
If zAsc > 0 Then '如果不是汉字
    ReDim Preserve DAT(L + 1) As Byte
    DAT(L) = zAsc: L = L + 1
Else
    ReDim Preserve DAT(L + 3) As Byte
    DAT1 = Z
    DAT(L) = (DAT1(1) And 240) / 16 Or 224
    DAT(L + 1) = (DAT1(1) And 15) * 4 + ((DAT1(0) And 192) / 64) Or 128
    DAT(L + 2) = DAT1(0) And 63 Or 128
    L = L + 3
End If
Next
ReDim DAT1(2) As Byte
DAT1(0) = &HEF: DAT1(1) = &HBB: DAT1(2) = &HBF
Open CD.FileName For Binary As #1
Put #1, , DAT1
Put #1, , DAT
OutError:
Close
End Sub

Private Sub OpenFile_Click()
On Error GoTo InErr
Dim ST As String
Dim LFile As Long '文件长度
CD.Flags = &H200C
CD.DialogTitle = "打开"
CD.Filter = "文本文件(*.txt)|*.txt"
CD.ShowOpen
ST = CD.FileName
If ST = "" Then Exit Sub
LFile = FileLen(ST) - 1
ReDim DAT(LFile) As Byte, DAT1(1) As Byte
Open ST For Binary As #1
Get #1, , DAT
If DAT(0) = &HEF And DAT(1) = &HBB And DAT(2) = &HBF Then
ST = ""
For i = 3 To LFile
    If DAT(i) < 128 Then
      ST = ST & Chr(DAT(i))
    Else
      DAT1(1) = ((DAT(i) And 15) * 16 + (DAT(i + 1) And 60) / 4)
      DAT1(0) = (DAT(i + 1) And 3) * 64 + (DAT(i + 2) And 63)
      Z = DAT1: ST = ST & Z: i = i + 2
    End If
Next
Else: ST = StrConv(DAT, vbUnicode)
End If
Text1 = ST: ST = ""
InErr:
Close
End Sub