[C#参考]字符编码

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。

有关字符编码的学习，在这篇blog中，就从两个程序开始：

class TestDataGenerator
{
    public static void CreateNewTestDataFile(string FileName, int record_length)
    {
        using(FileStream fs = File.Create(FileName))
        {
            StringBuilder sb = new StringBuilder();

            for (int i = 0; i < record_length; i++ )
            {
                sb.Append('的');
            }//for
            byte[] content = Encoding.Unicode.GetBytes(sb.ToString());
            fs.Write(content, 0, content.Length);
        }//using
    }//CreateNewTestDataFile()
}

在上面的代码中：

Encoding.Unicode.GetBytes(sb.ToString());

　　这句话的意思就是把string编码成UTF-16的字节流。

调用该函数生成包含100个字符的测试文件：

TestDataGenerator.CreateNewTestDataFile("test.txt", 100);

　　可以看到文件大小为200字节。原因是UTF-16使用2个字节来存储包括汉字和ASCII码在内的字符

读取Unicode字符串：

FileStream fs = new System.IO.FileStream("test.txt", FileMode.Open, FileAccess.Read);
byte[] blob = new byte[100];
fs.Read(blob, 0, 100);
fs.Flush();
string strUtf16 = Encoding.Unicode.GetString(blob);
string strUtf8 = Encoding.UTF8.GetString(blob);

从Watch窗口可见, 将字符串强转为UTF-8形式会出现乱码，这是因为UTF-8标准使用3个字节来存储汉字等字符，而不是UTF-16的2个字节。

下面使用UTF-8编码存储字符：

byte[] content = Encoding.UTF8.GetBytes(sb.ToString());
fs.Write(content, 0, content.Length);

然后就能看到文件的大小为300个字节：

同理用UTF-16的编码方式去读取UTF-8编码方式存储的文件也是不行的。

对上面的代码解释几个概念：

C#的类Encoding的Encoding.Unicode属性：获取使用Little-Endian字节顺序的UTF-16格式的编码。

C#的类Encoding的Encoding.ASCII属性：获取ASCII(7位)字符集的编码。

C#的类Encoding的Encoding.UTF8属性：获取UTF-8格式的编码。

 看完了程序部分，下面看一下理论的东西：

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这些符号。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，UTF-8和UTF-16都是Unicode的存储方式。。

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。

 举一个例子：

string s = "梁";
byte[] unicode = Encoding.Unicode.GetBytes(s);
byte[] utf8 =Encoding.UTF8.GetBytes(s);

调试运行，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。

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。