如何處理c#字符串的編碼問題

這篇文章將為大家詳細講解有關如何處理c#字符串的編碼問題，小編覺得挺實用的，因此分享給大家做個參考，希望大家閱讀完這篇文章后可以有所收獲。

一、 ASCII碼

我們知道，在計算機內部，所有的信息最終都表示為一個二進制的字符串。每一個二進制位（bit）有0和1兩種狀態，因此八個二進制位就可以組合出256種狀態，這被稱為一個字節（byte）。也就是說，一個字節一共可以用來表示256種不同的狀態，每一個狀態對應一個符號，就是256個符號，從00000000到11111111。

上個世紀60年代，美國制定了一套字符編碼，對英語字符與二進制位之間的關系，做了統一規定。這被稱為ASCII碼，一直沿用至今。ASCII碼一共規定了128個字符的編碼，比如空格“SPACE”是32（二進制00100000），大寫的字母A是65（二進制01000001）。這128個符號（包括32個不能打印出來的控制符號），只占用了一個字節的后面7位，最前面的1位統一規定為0。
在C#中如果你想看看某個字母的ASCII碼是多少，可以使用表示字符編碼的類Encoding ，代碼如下：

string s = "a";
byte[] ascii = Encoding.ASCII.GetBytes(s);

我們通過調試器可以看到ascii中為97，也就是說a的ASCII碼為97（1100001）

二、非ASCII編碼

英語用128個符號編碼就夠了，但是用來表示其他語言，128個符號是不夠的。比如，在法語中，字母上方有注音符號，它就無法用ASCII碼表示。于是，一些歐洲國家就決定，利用字節中閑置的最高位編入新的符號。比如，法語中的é的編碼為130（二進制10000010）。這樣一來，這些歐洲國家使用的編碼體系，可以表示最多256個符號。

但是，這里又出現了新的問題。不同的國家有不同的字母，因此，哪怕它們都使用256個符號的編碼方式，代表的字母卻不一樣。比如，130在法語編碼中代表了é，在希伯來語編碼中卻代表了字母Gimel ，在俄語編碼中又會代表另一個符號。但是不管怎樣，所有這些編碼方式中，0—127表示的符號是一樣的，不一樣的只是128—255的這一段。

至于亞洲國家的文字，使用的符號就更多了，漢字就多達10萬左右。一個字節只能表示256種符號，肯定是不夠的，就必須使用多個字節表達一個符號。比如，簡體中文常見的編碼方式是GB2312，使用兩個字節表示一個漢字，所以理論上最多可以表示256x256=65536個符號。在C#中如果你想看看某個漢字的GB2312編碼可以使用如下代碼：

string s = "梁";
System.Text.Encoding GB2312 = System.Text.Encoding.GetEncoding("GB2312");
byte[] gb = GB2312.GetBytes(s);

這時gb中有兩個數字193（11000001），186（10111010）

三、Unicode

正如上邊所說，世界上存在著多種編碼方式，同一個二進制數字可以被解釋成不同的符號。因此，要想打開一個文本文件，就必須知道它的編碼方式，否則用錯誤的編碼方式解讀，就會出現亂碼。為什么電子郵件常常出現亂碼？就是因為發信人和收信人使用的編碼方式不一樣。

可以想象，如果有一種編碼，將世界上所有的符號都納入其中。每一個符號都給予一個獨一無二的編碼，那么亂碼問題就會消失。這就是Unicode，就像它的名字都表示的，這是一種所有符號的編碼。

Unicode當然是一個很大的集合，現在的規模可以容納100多萬個符號。每個符號的編碼都不一樣。C#中如果你想看看某個漢字的Unicode編碼可以使用如下代碼：

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

這時unicode中有兩個數字129（10000001），104（1101000）

四、Unicode的問題

需要注意的是，Unicode只是一個符號集，它只規定了符號的二進制代碼，卻沒有規定這個二進制代碼應該如何存儲。

比如，漢字“梁”的unicode是（110100010000001），也就是說這個符號的表示至少需要2個字節。表示其他更大的符號，可能需要3個字節或者4個字節，甚至更多。

這里就有兩個嚴重的問題，第一個問題是，如何才能區別unicode和ascii？計算機怎么知道三個字節表示一個符號，而不是分別表示三個符號呢？第二個問題是，我們已經知道，英文字母只用一個字節表示就夠了，如果unicode統一規定，每個符號用三個或四個字節表示，那么每個英文字母前都必然有二到三個字節是0，這對于存儲來說是極大的浪費，文本文件的大小會因此大出二三倍，這是無法接受的。

它們造成的結果是：1）出現了unicode的多種存儲方式，也就是說有許多種不同的二進制格式，可以用來表示unicode。2）unicode在很長一段時間內無法推廣，直到互聯網的出現。

五、UTF-8

互聯網的普及，強烈要求出現一種統一的編碼方式。UTF-8就是在互聯網上使用最廣的一種unicode的實現方式。其他實現方式還包括UTF-16和UTF-32，不過在互聯網上基本不用。重復一遍，這里的關系是，UTF-8是Unicode的實現方式之一。

UTF-8最大的一個特點，就是它是一種變長的編碼方式。它可以使用1~4個字節表示一個符號，根據不同的符號而變化字節長度。

UTF-8的編碼規則很簡單，只有二條：

1）對于單字節的符號，字節的第一位設為0，后面7位為這個符號的unicode碼。因此對于英語字母，UTF-8編碼和ASCII碼是相同的。

2）對于n字節的符號（n>1），第一個字節的前n位都設為1，第n+1位設為0，后面字節的前兩位一律設為10。剩下的沒有提及的二進制位，全部為這個符號的unicode碼。

舉一個例子

我們使用代碼

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

byte[] utf8 =Encoding.UTF8.GetBytes(s);

用調試器可以看到

這里在內存中的數據是由高到低排列的，104十六進制為68，129十六進制為81，也就是說"梁"的unicode是十六進制為6881，二進制為110100010000001，我們從上邊的表中可以查到，6881應該屬于地三行（800-FFFF），因此"梁"的UTF-8編碼需要三個字節即格式是“1110xxxx 10xxxxxx 10xxxxxx”。然后，從“梁”的最后一個二進制位開始，依次從后向前填入格式中的x，多出的位補0。這樣就得到了，“梁”的UTF-8編碼是“111001101010001010000001”，按沒8位轉換成十進制就是230，162，129。正好和上圖中utf8中的值一樣。

六、C# UTF-8 轉 GB2312

NET中內存中的字符串都是Unicode，所以測試程序在控制臺應用程序下不好寫，請大家根據如下代碼自己來寫吧：

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;
 
    }

七、UTF8優點

UTF-8是世界通用的語言編碼，如果在其他語言的操作系統下訪問gb2312編碼的網站，需要下載語言包，所以為了網站的通用性起見，用UTF8編碼是更好的選擇，但是相比較而言gb2312要比UTF-8得到的數據量少一些。

八、亂碼問題：

如果在內存、文件或電子郵件中有一個字符串，那么應該知道它是使用什么編碼方案，否則就不能將它正確的解釋或顯示給用戶。如果在試圖使用的編碼方案中沒有相應的編碼值得等價內容，那么通常會顯示一個小問號“？”，或者顯示一個方框。NET中內存中的字符串都是Unicode，而asp.net程序默認是UTF-8編碼，我們在使用某些字符串時出現了亂碼，我們首先要判斷是不是我們解釋用的編碼方式出錯了

關于“如何處理c#字符串的編碼問題”這篇文章就分享到這里了，希望以上內容可以對大家有一定的幫助，使各位可以學到更多知識，如果覺得文章不錯，請把它分享出去讓更多的人看到。