一、字符編碼簡介
1. ASCII碼
在計算機內部，所有的信息最終都表示為一個二進制的字符串。每一個二進制位（bit）有0和1兩種狀態，因此八個二進制位就可以組合出256種狀態，這被稱為一個字節（byte）。也就是說，一個字節一共可以用來表示256種不同的狀態，每一個狀態對應一個符號，就是256個符號，從0000000到11111111。
上個世紀60年代，美國制定了一套字符編碼，對英語字符與二進制位之間的關系，做了統一規定。這被稱為ASCII碼，一直沿用至今。
ASCII碼一共規定了128個字符的編碼，比如空格“SPACE”是32（二進制00100000），大寫的字母A是65（二進制01000001）。這128個符號（包括32個不能打印出來的控制符號），只占用了一個字節的後面7位，最前面的1位統一規定為0。
2. Unicode
英語用128個符號編碼就夠了，但是用來表示其他語言，128個符號是不夠的。因此，很多歐洲國家發明了很多非ASCII碼，同樣用一個字節，用最高位為1的區間（既128~255）來擴展原來的ASCII碼，其中一種比較有名的就是IBM字符編碼。這樣一來，這些歐洲國家使用的編碼體系，可以表示最多256個符號。但是，這裡又出現了新的問題。不同的國家有不同的字母，因此，哪怕它們都使用256個符號的編碼方式，代表的字母卻不一樣。比如，130在法語編碼中代表了é，在希伯來語編碼中卻代表了字母Gimel (ג)，在俄語編碼中又會代表另一個符號。但是不管怎樣，所有這些編碼方式中，0—127表示的符號是一樣的，不一樣的只是128—255的這一段。
至於亞洲國家的文字，使用的符號就更多了，漢字就多達10萬左右。一個字節只能表示256種符號，肯定是不夠的，就必須使用多個字節表達一個符號。比如，簡體中文常見的編碼方式是GB2312，使用兩個字節表示一個漢字，所以理論上最多可以表示256x256=65536個符號。
世界上存在著多種編碼方式，同一個二進制數字可以被解釋成不同的符號。因此，要想打開一個文本文件，就必須知道它的編碼方式，否則用錯誤的編碼方式解讀，就會出現亂碼。為什麼電子郵件常常出現亂碼？就是因為發信人和收信人使用的編碼方式不一樣。
可以想象，如果有一種編碼，將世界上所有的符號都納入其中。每一個符號都給予一個獨一無二的編碼，那麼亂碼問題就會消失。這就是Unicode，就像它的名字都表示的，這是一種所有符號的編碼。
Unicode當然是一個很大的集合，現在的規模可以容納100多萬個符號。每個符號的編碼都不一樣。需要注意的是，Unicode只是一個符號集，它只規定了符號的二進制代碼，卻沒有規定這個二進制代碼應該如何存儲。
3. UTF-8
互聯網的普及，強烈要求出現一種統一的編碼方式。UTF-8就是在互聯網上使用最廣的一種unicode的實現方式。其他實現方式還包括UTF-16和UTF-32，不過在互聯網上基本不用。重復一遍，這裡的關系是，UTF-8是Unicode的實現方式之一。
UTF-8最大的一個特點，就是它是一種變長的編碼方式。它可以使用1~6個字節表示一個符號，根據不同的符號而變化字節長度。
UTF-8的編碼規則很簡單，只有二條：
1）對於單字節的符號，字節的第一位設為0，後面7位為這個符號的unicode碼。因此對於英語字母，UTF-8編碼和ASCII碼是相同的。
2）對於n字節的符號（n>1），第一個字節的前n位都設為1，第n+1位設為0，後面字節的前兩位一律設為10。剩下的沒有提及的二進制位，全部為這個符號的unicode碼。
如表：
1字節 0xxxxxxx
2字節 110xxxxx 10xxxxxx
3字節 1110xxxx 10xxxxxx 10xxxxxx
4字節 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
5字節 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
6字節 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
因此UTF-8中可以用來表示字符編碼的實際位數最多有31位，即上表中x所表示的位。除去那些控制位（每字節開頭的10等），這些x表示的位與UNICODE編碼是一一對應的，位高低順序也相同。
實際將UNICODE轉換為UTF-8編碼時應先去除高位0，然後根據所剩編碼的位數決定所需最小的UTF-8編碼位數。
因此那些基本ASCII字符集中的字符（UNICODE兼容ASCII）只需要一個字節的UTF-8編碼（7個二進制位）便可以表示。
根據此規則，可以很方便的把UTF-8編碼的字符串拆分成單字集合，代碼如下：
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 }
這裡我把字符串轉換為單字的集合（set）是因為應用場景的需要，如果需要保持單字在字符串中的位置，可以很方便的用vector來替換set。
下面是獲取UTF-8字符串的字符個數（注意，不是字符串長度哦）的代碼：
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 }
