• 设为首页
  • 点击收藏
  • 手机版
    手机扫一扫访问
    迪恩网络手机版
  • 关注官方公众号
    微信扫一扫关注
    公众号

c#基础语言编程-编码

原作者: [db:作者] 来自: [db:来源] 收藏 邀请

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。


鲜花

握手

雷人

路过

鸡蛋
该文章已有0人参与评论

请发表评论

全部评论

专题导读
上一篇:
C博客作业03--函数发布时间:2022-07-14
下一篇:
CLR via C# 提纲发布时间:2022-07-14
热门推荐
阅读排行榜

扫描微信二维码

查看手机版网站

随时了解更新最新资讯

139-2527-9053

在线客服(服务时间 9:00~18:00)

在线QQ客服
地址:深圳市南山区西丽大学城创智工业园
电邮:jeky_zhao#qq.com
移动电话:139-2527-9053

Powered by 互联科技 X3.4© 2001-2213 极客世界.|Sitemap