在J2ME实现UTF-8转换为Unicode编码的方法

UTF-8就是Unicode Transformation Format-8，是Unicode的一种变换编码格式。本文介绍了UTF-8转换为Unicode编码的方法，给出了在J2ME环境下的实现。


UTF-8就是Unicode Transformation Format-8，是Unicode的一种变换编码格式。 


UTF-8 有以下特性: 

UCS 字符 U+0000 到 U+007F (ASCII) 被编码为字节 0x00 到 0x7F (ASCII 兼容). 这意味着只包含 7 位 ASCII 字符的文件在 ASCII 和 UTF-8 两种编码方式下是一样的. 

所有 >U+007F 的 UCS 字符被编码为一个多个字节的串, 每个字节都有标记位集. 因此, ASCII 字节 (0x00-0x7F) 不可能作为任何其他字符的一部分. 

表示非 ASCII 字符的多字节串的第一个字节总是在 0xC0 到 0xFD 的范围里, 并指出这个字符包含多少个字节. 多字节串的其余字节都在 0x80 到 0xBF 范围里. 这使得重新同步非常容易, 并使编码无国界, 且很少受丢失字节的影响. 

可以编入所有可能的 231个 UCS 代码 

UTF-8 编码字符理论上可以最多到 6 个字节长, 然而 16 位 BMP 字符最多只用到 3 字节长. 

Bigendian UCS-4 字节串的排列顺序是预定的. 

字节 0xFE 和 0xFF 在 UTF-8 编码中从未用到. 

下列字节串用来表示一个字符. 用到哪个串取决于该字符在 Unicode 中的序号. 

U-00000000 - U-0000007F: 
 0xxxxxxx 
 
U-00000080 - U-000007FF: 
 110xxxxx 10xxxxxx 
 
U-00000800 - U-0000FFFF: 
 1110xxxx 10xxxxxx 10xxxxxx 
 
U-00010000 - U-001FFFFF: 
 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx 
 
U-00200000 - U-03FFFFFF: 
 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 
 
U-04000000 - U-7FFFFFFF: 
 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 
 

从上表还可以看出，UTF-8每个编码字符都不可能以“10”开头，“10”是以连接符的形式出现在后面的编码字节开头。因此UTF-8编码在存储和传输时是不容易出错的。


下面是UTF-8到Unicode的编码转换代码(J2ME环境下的实现)：UTFC2UniC方法包含了编码转换逻辑。