C#基础知识:字符编码、编码转换
⼀、 ASCII码
我们知道,在计算机内部,所有的信息最终都表⽰为⼀个⼆进制的字符串。每⼀个⼆进制位(bit)有0和1两种状态,因此⼋个⼆进制位就可以组合出256种状态,这被称为⼀个字节(byte)。也就是说,⼀个字节⼀共可以⽤来表⽰256种不同的状态,每⼀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,做了统⼀规定。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,⽐如空格“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#中如果你想看看某个字母的ASCII码是多少,可以使⽤表⽰字符编码的类Encoding ,代码如下:
string s = "a";
byte[] ascii = Encoding.ASCII.GetBytes(s);
我们通过调试器可以看到ascii中为97,也就是说a的ASCII码为97(1100001)
⼆、⾮ASCII编码
英语⽤128个符号编码就够了,但是⽤来表⽰其他语⾔,128个符号是不够的。⽐如,在法语中,字母上⽅有注⾳符号,它就⽆法⽤ASCII码表⽰。于是,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。⽐如,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,可以表⽰最多256个符号。
但是,这⾥⼜出现了新的问题。不同的国家有不同的字母,因此,哪怕它们都使⽤256个符号的编码⽅式,代表的字母却不⼀样。⽐
如,130在法语编码中代表了é,在希伯来语编码中却代表了字母Gimel ,在俄语编码中⼜会代表另⼀个符号。但是不管怎样,所有这些编码⽅式中,0—127表⽰的符号是⼀样的,不⼀样的只是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,肯定是不够的,就必须使⽤多个字节表达⼀个符号。⽐如,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,所以理论上最多可以表⽰256x256=65536个符号。在C#中如果你想看看某个汉字的GB2312编码可以使⽤如下代码:
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)
三、Unicode
正如上边所说,世界上存在着多种编码⽅式,同⼀个⼆进制数字可以被解释成不同的符号。因此,要想打开⼀个⽂本⽂件,就必须知道它的编码⽅式,否则⽤错误的编码⽅式解读,就会出现乱码。为什么电⼦邮件常常出现乱码?就是因为发信⼈和收信⼈使⽤的编码⽅式不⼀样。可以想象,如果有⼀种编码,将世界上所有的符号都纳⼊其中。每⼀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,这是⼀种所有符号的编码。
Unicode当然是⼀个很⼤的集合,现在的规模可以容纳100多万个符号。每个符号的编码都不⼀样。C#中如果你想看看某个汉字的Unicode 编码可以使⽤如下代码:
string s = "梁";
byte[] unicode = Encoding.Unicode.GetBytes(s);
这时unicode中有两个数字129(10000001),104(1101000)
四、Unicode的问题
需要注意的是,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。
⽐如,汉字“梁”的unicode是(110100010000001),也就是说这个符号的表⽰⾄少需要2个字节。表⽰其他更⼤的符号,可能需要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,我们已经知道,英⽂字母只⽤⼀个字节表⽰就够了,如果unicode统⼀规定,每个符号⽤三个或四个字节表⽰,那么每个英⽂字母前都必然有⼆到三个字节是0,这对于存储来说是极⼤的浪费,⽂本⽂件的⼤⼩会因此⼤出⼆三倍,这是⽆法接受的。
它们造成的结果是:1)出现了unicode的多种存储⽅式,也就是说有许多种不同的⼆进制格式,可以⽤来表⽰unicode。2)unicode在很长⼀段时间内⽆法推⼴,直到互联⽹的出现。
五、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的实现⽅式。其他实现⽅式还包括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最⼤的⼀个特点,就是它是⼀种变长的编码⽅式。它可以使⽤1~4个字节表⽰⼀个符号,根据不同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。因此对于英语字母,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律设为10。剩下的没有提及的⼆进制位,全部为这个符号的unicode码。
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二进制编码转换
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
我们使⽤代码
string s = "梁";
byte[] unicode = Encoding.Unicode.GetBytes(s);
byte[] utf8 =Encoding.UTF8.GetBytes(s);
⽤调试器可以看到
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,我们从上边的表中可以查到,6881应该属于地三⾏(800-FFFF),因此"梁"的UTF-8编码需要三个字节即格式
是“1110xxxx 10xxxxxx 10xxxxxx”。然后,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。这样就得到
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中的值⼀样。
六、C# UTF-8 转 GB2312
NET中内存中的字符串都是Unicode,所以测试程序在控制台应⽤程序下不好写,请⼤家根据如下代码
⾃⼰来写吧:
public string UTF8ToGB2312(string str)
{
try
{
Encoding utf8 = Encoding.GetEncoding(65001);
Encoding gb2312 = Encoding.GetEncoding("gb2312");//Encoding.Default ,936
byte[] temp = utf8.GetBytes(str);
byte[] temp1 = Encoding.Convert(utf8, gb2312, temp);
string result = gb2312.GetString(temp1);
return result;
}
catch (Exception ex)//(UnsupportedEncodingException ex)
{
Response.Write(ex.ToString());
return null;
}
}
七、UTF8优点
UTF-8是世界通⽤的语⾔编码,如果在其他语⾔的操作系统下访问gb2312编码的⽹站,需要下载语⾔包,所以为了⽹站的通⽤性起见,⽤UTF8编码是更好的选择,但是相⽐较⽽⾔gb2312要⽐UTF-8得到的数据量少⼀些。
⼋、乱码问题:
如果在内存、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,否则就不能将它正确的解释或显⽰给⽤户。如果在试图使⽤的编码⽅案中没有相应的编码值得等价内容,那么通常会显⽰⼀个⼩问号“?”,或者显⽰⼀个⽅框。NET中内存中的字符串都是Unicode,⽽asp程序默认是UTF-8编码,我们在使⽤某些字符串时出现了乱码,我们⾸先要判断是不是我们解释⽤的编码⽅式出错了。

版权声明:本站内容均来自互联网,仅供演示用,请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198,我们将在24小时内删除。