c#基础语言编程-编码

2022-12-30 16:30:12

字符编码是计算机技术的基础理论，其字符编码有ASCII码、UTF-8、还有就是GB2312，当然这是在中国常用的。

1、ASCII码

在计算机内部所有的信息都是以二进制字符进行存储。用每个二进制位中的0和1，八个二进制就可以组合256种状态，成为一个字节。意味着一个字节可以用来表示256种状态。

在计算机开始普及阶段，美国制定一套字符编码，对英语字符与二进制位关系进行统一规定，成为ASCII码，一直沿用至今。

ASCII码一共规定了128个字符编码，比如空格“SPACE”是32，大写的字母A是65.ASCII码规定字符占用两个字节，最前面的字节统一规定为0，只占用后面字节的7位。

2、非ASCII编码

英语用128个符号编码就够了，但是针对其他语言128符号是不够的，同时不同的国家有不同的字母，至于中国有汉字10万多个，一个字节肯定是不够的。比如常见的GB2312，使用两个字节表示一个汉字，所以理论上最多可以表示256*256= 65536个符号。

3、Unicode

正如上一节所说，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，比如，U+0639表示阿拉伯字母Ain，U+0041表示英语的大写字母A，U+4E25表示汉字“严”。具体的符号对应表，可以查询unicode.org，或者专门的汉字对应表。

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“严”的unicode是十六进制数4E25，转换成二进制数足足有15位（100111000100101），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。

4、UTF-8

互联网的普及，强烈要求统一编码进行存储。UTF-8现为使用最广的unicode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。一般是3个字节表示一个字符。

UTF-8是兼容ASCII编码，对于像汉字这样的就是用三个字节。

5、Unicode与UTF-8之间的转换

在Windows平台下，有一个最简单的转化方法，就是使用内置的记事本小程序Notepad.exe。打开文件后，点击“文件”菜单中的“另存为”命令，会跳出一个对话框。

a)ANSI是默认的编码方式。对于英文文件是ASCII编码，对于简体中文文件是GB2312编码*，程序中Encoding.Default就是这。只针对Windows简体中文版，如果是繁体中文版会采用Big5码）。

c）Unicode编码指的是UCS-2编码方式，即直接用两个字节存入字符的Unicode码。这个选项用的little endian格式。

d）Unicode big endian编码与上一个选项相对应。我在下一节会解释little endian和big endian的涵义。

e）UTF-8编码，也就是上一节谈到的编码方法。对于此编码转化为byte的时候会有三个字节表示编码方式。

6、程序代码

在.NET中提供了编码转换，为Syetem.Text.Encoding基本常用的方法为：

Encoding.GetEncoding 方法：返回指定代码页的编码。

Encoding.UTF8 属性：获取 UTF-8 格式的编码。

Encoding.GetBytes 方法 (String)：在派生类中重写时，将指定的 string 中的所有字符编码为一个字节序列。

Encoding.GetString 方法

Encoding.GetString (Byte[]) 在派生类中重写时，将指定字节数组中的所有字节解码为一个字符串。

Encoding.GetString (Byte[], Int32, Int32) 在派生类中重写时，将指定字节数组中的一个字节序列解码为一个字符串。

7、代码实例

 //ASCII,UTF7,UTF8,UTF32,UNICODE

            byte[] bytes1 = Encoding.ASCII.GetBytes(_test);

            byte[] bytes2 = Encoding.UTF8.GetBytes(_test);

            byte[] bytes3 = Encoding.Unicode.GetBytes(_test);

            //

            string s1 = Encoding.ASCII.GetString(bytes1);

            string s2 = Encoding.UTF8.GetString(bytes2);

            string s3 = Encoding.Unicode.GetString(bytes3);

            //

            //GB2312,BIG5

            byte[] bytes4 = Encoding.GetEncoding("GB2312").GetBytes(_test);

            byte[] bytes5 = Encoding.GetEncoding("BIG5").GetBytes(_test);

            //

            string s4 = Encoding.GetEncoding("GB2312").GetString(bytes4);

            string s5 = Encoding.GetEncoding("BIG5").GetString(bytes5);

            //

总结

在开始阶段为了适应计算机，制定了ASCII编码，后来为了在中国广泛推广，制定了GB2312编码，此编码兼容ASCII编码也是一个字符占用两个字节。Unicode是一个国际码表，所有字符是两个字节。后来国际制定统一的编码方式就是UTF-8，英文一个字节，中文3个字节。

码农公寓