c#字符串编码问题

来自森大科技官方博客
http://www.cnsendblog.com/index.php/?p=272
GPS平台、网站建设、软件开发、系统运维，找森大网络科技！
http://cnsendnet.taobao.com

c#字符串编码问题
1、 ASCII码
咱们知道，在计算机内部，全部的信息最终都表示为一个二进制的字符串。每个二进制位（bit）有0和1两种状态，所以八个二进制位就能够组合出256种状态，这被称为一个字节（byte）。也就是说，一个字节一共能够用来表示256种不一样的状态，每个状态对应一个符号，就是256个符号，从00000000到11111111。
上个世纪60年代，美国制定了一套字符编码，对英语字符与二进制位之间的关系，作了统一规定。这被称为ASCII码，一直沿用至今。ASCII码一共规定了128个字符的编码，好比空格“SPACE”是32（二进制00100000），大写的字母A是65（二进制01000001）。这128个符号（包括32个不能打印出来的控制符号），只占用了一个字节的后面7位，最前面的1位统一规定为0。
在C#中若是你想看看某个字母的ASCII码是多少，可使用表示字符编码的类Encoding ，代码以下：
string s = "a";
byte[] ascii = Encoding.ASCII.GetBytes(s);
咱们经过调试器能够看到ascii中为97，也就是说a的ASCII码为97（1100001）
2、非ASCII编码
英语用128个符号编码就够了，可是用来表示其余语言，128个符号是不够的。好比，在法语中，字母上方有注音符号，它就没法用ASCII码表示。因而，一些欧洲国家就决定，利用字节中闲置的最高位编入新的符号。好比，法语中的é的编码为130（二进制10000010）。这样一来，这些欧洲国家使用的编码体系，能够表示最多256个符号。
可是，这里又出现了新的问题。不一样的国家有不一样的字母，所以，哪怕它们都使用256个符号的编码方式，表明的字母却不同。好比，130在法语编码中表明了é，在希伯来语编码中却表明了字母Gimel ，在俄语编码中又会表明另外一个符号。可是无论怎样，全部这些编码方式中，0—127表示的符号是同样的，不同的只是128—255的这一段。
至于亚洲国家的文字，使用的符号就更多了，汉字就多达10万左右。一个字节只能表示256种符号，确定是不够的，就必须使用多个字节表达一个符号。好比，简体中文常见的编码方式是GB2312，使用两个字节表示一个汉字，因此理论上最多能够表示256x256=65536个符号。在C#中若是你想看看某个汉字的GB2312编码可使用以下代码：
string s = "梁";
System.Text.Encoding GB2312 = System.Text.Encoding.GetEncoding("GB2312");
byte[] gb = GB2312.GetBytes(s);
这时gb中有两个数字193（11000001），186（10111010）
3、Unicode
正如上边所说，世界上存在着多种编码方式，同一个二进制数字能够被解释成不一样的符号。所以，要想打开一个文本文件，就必须知道它的编码方式，不然用错误的编码方式解读，就会出现乱码。为何电子邮件经常出现乱码？就是由于发信人和收信人使用的编码方式不同。
能够想象，若是有一种编码，将世界上全部的符号都归入其中。每个符号都给予一个独一无二的编码，那么乱码问题就会消失。这就是Unicode，就像它的名字都表示的，这是一种全部符号的编码。
Unicode固然是一个很大的集合，如今的规模能够容纳100多万个符号。每一个符号的编码都不同。C#中若是你想看看某个汉字的Unicode编码可使用以下代码：
string s = "梁";
byte[] unicode = Encoding.Unicode.GetBytes(s);
这时unicode中有两个数字129（10000001），104（1101000）
4、Unicode的问题
须要注意的是，Unicode只是一个符号集，它只规定了符号的二进制代码，却没有规定这个二进制代码应该如何存储。
好比，汉字“梁”的unicode是（110100010000001），也就是说这个符号的表示至少须要2个字节。表示其余更大的符号，可能须要3个字节或者4个字节，甚至更多。
这里就有两个严重的问题，第一个问题是，如何才能区别unicode和ascii？计算机怎么知道三个字节表示一个符号，而不是分别表示三个符号呢？第二个问题是，咱们已经知道，英文字母只用一个字节表示就够了，若是unicode统一规定，每一个符号用三个或四个字节表示，那么每一个英文字母前都必然有二到三个字节是0，这对于存储来讲是极大的浪费，文本文件的大小会所以大出二三倍，这是没法接受的。
它们形成的结果是：1）出现了unicode的多种存储方式，也就是说有许多种不一样的二进制格式，能够用来表示unicode。2）unicode在很长一段时间内没法推广，直到互联网的出现。
5、UTF-8
互联网的普及，强烈要求出现一种统一的编码方式。UTF-8就是在互联网上使用最广的一种unicode的实现方式。其余实现方式还包括UTF-16和UTF-32，不过在互联网上基本不用。重复一遍，这里的关系是，UTF-8是Unicode的实现方式之一。
UTF-8最大的一个特色，就是它是一种变长的编码方式。它可使用1~4个字节表示一个符号，根据不一样的符号而变化字节长度。
UTF-8的编码规则很简单，只有二条：
1）对于单字节的符号，字节的第一位设为0，后面7位为这个符号的unicode码。所以对于英语字母，UTF-8编码和ASCII码是相同的。
2）对于n字节的符号（n>1），第一个字节的前n位都设为1，第n+1位设为0，后面字节的前两位一概设为10。剩下的没有说起的二进制位，所有为这个符号的unicode码。

Unicode和UTF-8之间转换关系
UCS-2编码 UTF-8字节流
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

举一个例子
咱们使用代码
string s = "梁";
byte[] unicode = Encoding.Unicode.GetBytes(s);
byte[] utf8 =Encoding.UTF8.GetBytes(s);
用调试器能够看到

这里在内存中的数据是由高到低排列的，104十六进制为68，129十六进制为81，也就是说"梁"的unicode是十六进制为6881，二进制为110100010000001，咱们从上边的表中能够查到，6881应该属于地三行（800-FFFF），所以"梁"的UTF-8编码须要三个字节即格式是“1110xxxx 10xxxxxx 10xxxxxx”。而后，从“梁”的最后一个二进制位开始，依次从后向前填入格式中的x，多出的位补0。这样就获得了，“梁”的UTF-8编码是“111001101010001010000001”，按没8位转换成十进制就是230，162，129。正好和上图中utf8中的值同样。
6、C# UTF-8 转 GB2312
NET中内存中的字符串都是Unicode，因此测试程序在控制台应用程序下很差写，请你们根据以下代码本身来写吧：

string UTF8ToGb2312(string str)
        {
            string gb2312info = string.Empty;

            Encoding utf8 = Encoding.UTF8;
            Encoding gb2312 = Encoding.GetEncoding("gb2312");

            byte[] unicodeBytes = utf8.GetBytes(str);

            byte[] asciiBytes = Encoding.Convert(utf8, gb2312, unicodeBytes);

            char[] asciiChars = new char[gb2312.GetCharCount(asciiBytes, 0, asciiBytes.Length)];
            gb2312.GetChars(asciiBytes, 0, asciiBytes.Length, asciiChars, 0);
            gb2312info = new string(asciiChars);
            return gb2312info;

        }

7、UTF8优势
UTF-8是世界通用的语言编码，若是在其余语言的操做系统下访问gb2312编码的网站，须要下载语言包，因此为了网站的通用性起见，用UTF8编码是更好的选择，可是相比较而言gb2312要比UTF-8获得的数据量少一些。
8、乱码问题：
若是在内存、文件或电子邮件中有一个字符串，那么应该知道它是使用什么编码方案，不然就不能将它正确的解释或显示给用户。若是在试图使用的编码方案中没有相应的编码值得等价内容，那么一般会显示一个小问号“？”，或者显示一个方框。NET中内存中的字符串都是Unicode，而asp.net程序默认是UTF-8编码，咱们在使用某些字符串时出现了乱码，咱们首先要判断是否是咱们解释用的编码方式出错了

来自森大科技官方博客
http://www.cnsendblog.com/index.php/?p=272
GPS平台、网站建设、软件开发、系统运维，找森大网络科技！
http://cnsendnet.taobao.com