UTF-7 编码和解码规则

 
 
作者：[肖允锋]

MIME(Multipurpose Internet Mail Extensions) 中没有将 Unicode 定义为一种许可的字符集，也没有规定其如何编码。虽然已有其他的一些编码格式（如：UTF-8）应用于邮件当中，但它们使用了128到255之间的数值去表示 Unicode 字符，这对于非 US-ASCII 的字符集的编解码是不利的。
因为很多邮件网关和系统无法正确地提交八位的 US-ASCII 码，这样使用扩展的 US-ASCII 的字符将出现丢失位(bit)的情况。由于 UTF-7 只使用 7 位(bit)，最高位不使用，因此 UTF-7 编码能够完整的在这些系统中进行传输。
对于部分US-ASCII 字符和 US-ASCII 以外的字符，UTF-7 采用变字节顺序的方法进行解码，并使用 US-ASCII 中的保留字符作为转换字符(shift character)。以下是 UTF-7 编码和解码规则的说明。

UTF-7 将 Unicode 字符分为三种进行处理：

1. 直接进行编码的字符，即直接使用 US-ASCII 作为编码的字符。这类字符包括大小写字母、数字字符、以及下列字符。（注意不包含字符 + ）
‘ ( ) , – . / : ? 。
2. 可选择的直接进行编码的字符。（注意不包含字符 和字符 ~）
! ” # $ % & * ; < = > @ [ ] ^ _ ‘ { | }
3. 除1、2两种字符以外的 Unicode字符。

UTF-7 的编码规则

1. (direct encoding) 对于第一类字符，直接使用 US-ASCII 进行编码，对于第二类字符，则可选择的使用 US-ASCII 或变字节顺序的方法进行编码。但要注意，在邮件头中，若直接对第二类字符使用 US-ASCII 进行编码，可能会出现某些网关无法正确读取的现象。
2. (Unicode shifted encoding) 除字符 “+” 和第一、二类两种字符以外字符需采用变字节顺序的方法进行解码，使用符号 “+” 控制编码过程的开始，直到遇到回车，换行字符或文末则结束，并使用 “-” 控制编码过程的结束。在 “+” 与 “-” 的编码采用修正的 Base64 编码表示。
例如： 字符串”A≠Α”(Unicode: 0041 2260 0391)的编码为：A+ImADkQ-(ASCII: 41 2B 49 6D 41 44 6B 51 2D)
3. 特殊字符 “+” 的编码为2B2D(H)。当出现着编码为2B2D(H)，即”+-”的特殊情况时，直接则认定 2D(H) 无效，并予以忽略。因此2B2D(H)编码，解码得到的字符串为”+”，而不是”+-”。对于编码2B2D2D(H)，解码得到的字符串才是”+-”。
4. 空格(dec 32), 跳格(dec 9), 回车(dec 13)和换行(dec 10)，直接使用 US-ASCII 进行编码。

修正的 Base64 编码的计算

将字符的 Unicode big endian 编码分成两个字节看待，然后计算字符的 Base64 编码，但不使用 “=” 进行补位。