Причиной разобраться в том, как же работает UTF-8 и что такое Юникод заставил тот факт, что VBScript не имеет встроенных функций работы с UTF-8. А так как ничего рабочего не нашел, то пришлось писть/дописывать самому. Опыт на мой взгляд полезный в любом случае. Для лучшего понимания начну с теории.
О Юникоде
До появления Юникода широко использовались 8-битные кодировки, главные минусы которых очевидны:Всего 255 символов, да и то часть из них не графические;
Возможность открыть документ не с той кодировкой, в которой он был создан;
Шрифты необходимо создавать для каждой кодировки.
Так и было решено создать единый стандарт «широкой» кодировки, которая включала бы все символы (при чем сначала хотели в нее включить только обычные символы, но потом передумали и начали добавлять и экзотические). Юникод использует 1 112 064 кодовых позиций (больше чем 16 бит). Начало дублирует ANSII, а дальше остаток латиницы, кирилица, другие европейские и азиатские символы. Для обозначений символов используют шестнадцатеричную запись вида «U+xxxx» для первых 65k и с большим количеством цифр для остальных.
О UTF-8
Когда-то я думал что есть Юникод, а есть UTF-8. Позже я узнал, что ошибался.
UTF-8 является лишь представлением Юникода в 8-битном виде. Символы с кодами меньше 128 представляются одним байтом, а так как в Юникоде они повторяют ANSII, то текст написанный только этими символами будет являться текстом в ANSII. Символы же с кодами от 128 кодируются 2-мя байтами, с кодами от 2048 — 3-мя, от 65536 — 4-мя. Так можно было бы и до 6-ти байт дойти, но кодировать ими уже ничего.
0x00000000 — 0x0000007F: 0xxxxxxx
0x00000080 — 0x000007FF: 110xxxxx 10xxxxxx
0x00000800 — 0x0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
0x00010000 — 0x001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
Кодируем в UTF-8
Порядок действий примерно такой:Каждый символ превращаем в Юникод.
Проверяем из какого символ диапазона.
Если код символа меньше 128, то к результату добавляем его в неизменном виде.
Если код символа меньше 2048, то берем последние 6 бит и первые 5 бит кода символа. К первым 5 битам добавляем 0xC0 и получаем первый байт последовательности, а к последним 6 битам добавляем 0x80 и получаем второй байт. Конкатенируем и добавляем к результату.
Похожим образом можем продолжить и для больших кодов.
Function EncodeUTF8(s)
Dim i, c, utfc, b1, b2, b3
For i=1 to Len(s)
c = AscW(Mid(s,i,1))
If c < 128 Then
utfc = chr( c)
ElseIf c < 2048 Then
b1 = c Mod &H40
b2 = (c - b1) / &H40
utfc = chr(&hc0 + b2) & chr(&h80 + b1)
ElseIf c < 65536 Then
b1 = c Mod &H40
b2 = ((c - b1) / &H40) Mod &H40
b3 = (c - b1 - (&H40 * b2)) / &H1000
utfc = chr(&he0 + b3) & chr(&h80 + b2) & chr(&h80 + b1)
End If
EncodeUTF8 = EncodeUTF8 + utfc
Next
End Function
Декодируем UTF-8
Ищем первый символ не меньший 128
Считаем все последующие байты вида 10xxxxxx
Если последовательность из двух байт и первый байт вида 110xxxxx, то отсекаем приставки и складываем, умножив первый байт на 0x40.
Аналогично для более длинных последовательностей.
Заменяем всю последовательность на нужный символ Юникода.
function DecodeUTF8(s)
dim i, c, n, b1, b2, b3
i = 1
do while i <= len(s)
c = asc(mid(s,i,1))
if c and &H80 then
n = 1
do while i + n <= len(s)
if (asc(mid(s,i+n,1)) and &HC0) &H80 then
exit do
end if
n = n + 1
loop
if n = 2 and ((c and &HE0) = &HC0) then
b1 = asc(mid(s,i+1,1)) and &H3F
b2 = c and &H1F
c = b1 + b2 * &H40
elseif n = 3 and ((c and &HF0) = &HE0) then
b1 = asc(mid(s,i+2,1)) and &H3F
b2 = asc(mid(s,i+1,1)) and &H3F
b3 = c and &H0F
c = b3 * &H1000 + b2 * &H40 + b1
else
c = 191
end if
s = left(s,i-1) + chrw( c) + mid(s,i+n)
end if
i = i + 1
loop
DecodeUTF8 = s
end function
Ссылки
Юникод на ВикипедииИсходник для ASP+VBScript
