c# 小叙 Encoding(一)

2022-10-16 15:38:42

前言

众所周知计算机只能识别二进制数字，如1010,1001。我们屏幕所看到的文字，字符都是和二进制转换后的结果。将我们的文字按照某种规则转换二进制存储在计算机上，这一个过程叫字符编码，反之就是解码。目前存在多种字符编码方式，一组二进制数字根据不同的解码方式，会得到不同的结果，有时甚至会得到乱码。这也就是为什么我们打开网页时有时会是乱码，打开一个文本文件有时也是乱码，而换了一种编码就恢复正常了。CLR中的所有字符都是16位Unicode来表示的。CLR中的Encoding就是用于字节和字符之间的转换的。更多字符编码知识请参考，字符集和字符编码（Charset & Encoding）

关于Encoding

CLR中的Encoding是在System.Text命名空间下的，它是一个抽象类(abstract class)，所以不能被直接实例化，它主要有如下的派生类：ASCIIEnding，UnicodeEncoding，UTF32Encoding，UTF7Encoding，UTF8Encoding，你可以根据需要选择一个合适的Encoding来进行编码和解码。你也可以调用Encoding的静态属性ASCII，Unicode，UTF32，UTF7，UTF8，来构造一个Encoding。其中Unicode是表示16位Encoding。调用静态属性和实例化一个子类的效果是一样的，如下代码。

1 Encoding encodingUTF8 = Encoding.UTF8;
2 Encoding encodingUTF8 = new UTF8Encoding(true);

以下是这些类型的一些简单描述：

ASCII编码 将16位字符编码成ASCII码，只能转换值小于Ox0080的16字符，并且被转换成单字节，就是说一个字符对应一个字节。当字符都在ASCII范围(0X00~0X7F)内时，可以用这种编码，它的速度非常快，适合于英美地区的字符。这种编码非常有限，汉字会被转换成乱码。在CLR对应ASCIIEndoing。

UTF-16 每个字符编码成2个字节，它不会对字符产生任何影响，也不会涉及到压缩处理，性能非常好，因为CLR中的字符也是16位的Unicode。在CLR中对应UnicodeEncoding。

UTF-32 使用4个字节编码成一个字符。从内存角度上讲，它并不是一种高效能的编码方案，因为第个字符都是4个字节，特别占内存，所以很少用来做文件和网络流的编码解码。在CLR中对应UTF32Encoding。

UTF-8 值在Ox0080之下的字符压缩成一个字符，也就是ASCII码;值在0X0080---0X07FF之间的字符都转换成2个字符，适合用于欧洲和中东地区。0X0800以上被转换成3个字符，适合于东亚地区的字符。代理项被转换成4个字节。因此，它是一种非常流行的编码，适用于互联网。它在处理0X0800以上的字符效率不好UTF-16。在CLR中对应UTF8Encoding。

UTF-7 这咱编码通常用于旧的系统，那时的系统是用7位值表示。目前已经被Unicode协淘汰。在CLR中对应UTF7Encoding。

从性能角度上来讲，如果你的代码需要在多处调用一个Encoding，微软建议你使用静态成员的方式构造一个Encoding对象，而不是构造实例。它的内部实现是一个单例模式。

public static Encoding UTF8
{
    get
    {
        if (utf8Encoding == null)
        {
            utf8Encoding = new UTF8Encoding(true);
        }
        return utf8Encoding;
    }
}

如果你知道某种编码的代码页(code page)或名字，那么你可以调用Encoding的静态方法GetEncoding(int codepage)，GetEncoding(string name)来构造一个Encoding，比如我们常用的用于显示简体中文的gb2312，它的代码页是936，我们就可以这样定义：

Encoding encodingGB2312=Encoding.GetEncoding("gb2312");
Encoding encodingGB2312=Encoding.GetEncoding(936);

目前有几十种文字代码页，分别对应于不同的国家，不同的语言，它们只是对应Unicode字符集里的相一部分，比如说936，它只是对应于Unicode字符集里简体中文的那一部分，如果你想正确的显示繁体字，那么就要用中文繁体对应的代码页950。具体的代码页有哪些可以参考MSDN或园子里这篇文章，C#文字代码页,文字编码的代码页名称速查表。

下面代码可以返回CLR中所有的Encoding。

            foreach (EncodingInfo eInfo in Encoding.GetEncodings())
            {
                Console.WriteLine("Encoding code page is {0}, encoding name is {1}", eInfo.CodePage, eInfo.Name);
                Console.WriteLine("Encoding dispaly name is {0}", eInfo.DisplayName);
            }

Encoding对象有一个静态属性Default，它返回的也是一个Encoding对象，至于返回哪个语言的Encoding取决于你电脑里-->控制面板->区域和语言里面的设置，也就是ANSI。如下图，我电脑里设置是Chinses(Simplified, PRC)也就是简体中文，那么对应的就是gb2312，所以下面代码会打印gb2312。如果你的代码在不止一个国家里使用，那么你最好不要Encoding.Default，这样会造成乱码，你最好用Encoding.UTF8。

Encoding encoding1 = Encoding.Default;
Console.WriteLine(encoding1.WebName);

待续。。。

下一节将讲如何使用Encoding，BOM，还有Encoder及Decoder。。。。

码农公寓

前言

关于Encoding

相关文章