字符编码-使用c#研究

微软的那个臭屁的JOEL(就是写《JOEL说软件》的那个牛人)曾说:“每一位软件开发人员必须、绝对要至少具备UNICODE与字符集知识(没有任何例外)”,我也常常困扰于字符集的转换等很多问题,所以这次下决心要把他搞个清楚。

作者:方明

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unicode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

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“11100110 10100010 10000001”,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:

Code

 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;
 
         }

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.net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。

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏Vamei实验室

Java基础10 接口的继承与抽象类

在实施接口中,我们利用interface语法,将interface从类定义中独立出来,构成一个主体。interface为类提供了接口规范。 在继承中,我们为了提...

20110
来自专栏C语言及其他语言

[每日一题]整数调换

自定义函数和数组的应用 题目描述 输入10个整数,将其中最小的数与第一个数对换,把最大的数与最后一个数对换。写三个函数; ①输入10个数;②进行处理;③输出1...

2926
来自专栏技术/开源

从C#到TypeScript - 高级类型

C# vs TypeScript - 高级类型 上一篇讲了基础类型,基本上用基础类型足够开发了,不过如果要更高效的开发,还是要看下高级类型,这篇和C#共同点并不...

2179
来自专栏Golang语言社区

interface引发的事件真相

流动的水没有形状,漂流的风找不到踪迹,一切代码都了然于心,我们在写代码的时候,总是有一种思维定式陪伴左右,在对事物做判断的时候,往往这种思维定式会往正向或反向做...

3446
来自专栏小詹同学

【记录帖】(No.004)从零打卡刷Leetcode

小詹一直觉得自己编程能力不强,想在网上刷题,又怕不能坚持。不知道有木有和小伙伴和小詹一样想找个人一起刷题呢?欢迎和小詹一起定期刷leetcode,每周一周五更新...

1352
来自专栏程序员的碎碎念

Unicode?utf-8?GB2312?

分享一点关于字符编码的来源的知识,是前段时间在廖雪峰老师的python教程里看到的,觉得很通俗易懂,现在复制了过来分享给各位没看过这个教程的朋友们。Unico...

4569
来自专栏owent

VC和GCC成员函数指针实现的研究(三)

因为是兼容虚继承和非虚继承的,所以赋值的部分的汇编是一样的。这里就不贴了。关键在于执行期它是怎么找到虚基类的。请往下看:

951
来自专栏坚毅的PHP

【python学习】文本处理之-translate

2011-09-15 看cookbook 看到很神奇的string.translate 函数 可以剔除字符串中你不需要的串,并可做 maketrans映射 ...

3704
来自专栏编码前线

在java中String类为什么要设计成final?

String很多实用的特性,比如说“不可变性”,是工程师精心设计的艺术品!艺术品易碎!用final就是拒绝继承,防止世界被熊孩子破坏,维护世界和平!

952
来自专栏Coding迪斯尼

使用普拉特解析法解析复杂的算术表达式

1732

扫码关注云+社区

领取腾讯云代金券