C# 基礎知識:字元編碼、編碼轉換

一、 ASCII碼
我們知道，在計算機內部，所有的資訊最終都表示為一個二進位制的字串。每一個二進位制位（bit）有0和1兩種狀態，因此八個二進位制位就可以組合出256種狀態，這被稱為一個位元組（byte）。也就是說，一個位元組一共可以用來表示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，美國製定了一套字元編碼，對英語字元與二進位制位之間的關係，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個字元的編碼，比如空格“SPACE”是32（二進位制00100000），大寫的字母A是65（二進位制01000001）。這128個符號（包括32個不能列印出來的控制符號），只佔用了一個位元組的後面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，可以使用表示字元編碼的類Encoding ，程式碼如下：
string s = "a";
byte[] ascii = Encoding.ASCII.GetBytes(s);
我們通過偵錯程式可以看到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碼錶示。於是，一些歐洲國家就決定，利用位元組中閒置的最高位編入新的符號。比如，法語中的é的編碼為130（二進位制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，這裡又出現了新的問題。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。
至於亞洲國家的文字，使用的符號就更多了，漢字就多達10萬左右。一個位元組只能表示256種符號，肯定是不夠的，就必須使用多個位元組表達一個符號。比如，簡體中文常見的編碼方式是GB2312，使用兩個位元組表示一個漢字，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編碼可以使用如下程式碼：
string s = "樑";
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，同一個二進位制數字可以被解釋成不同的符號。因此，要想開啟一個文字檔案，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。為什麼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，那麼亂碼問題就會消失。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編碼可以使用如下程式碼：
string s = "樑";
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位制程式碼，卻沒有規定這個二進位制程式碼應該如何儲存。
比如，漢字“樑”的unicode是（110100010000001），也就是說這個符號的表示至少需要2個位元組。表示其他更大的符號，可能需要3個位元組或者4個位元組，甚至更多。
這裡就有兩個嚴重的問題，第一個問題是，如何才能區別unicode和ascii？計算機怎麼知道三個位元組表示一個符號，而不是分別表示三個符號呢？第二個問題是，我們已經知道，英文字母只用一個位元組表示就夠了，如果unicode統一規定，每個符號用三個或四個位元組表示，那麼每個英文字母前都必然有二到三個位元組是0，這對於儲存來說是極大的浪費，文字檔案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的多種儲存方式，也就是說有許多種不同的二進位制格式，可以用來表示unicode。2）unicode在很長一段時間內無法推廣，直到網際網路的出現。
五、UTF-8
網際網路的普及，強烈要求出現一種統一的編碼方式。UTF-8就是在網際網路上使用最廣的一種unicode的實現方式。其他實現方式還包括UTF-16和UTF-32，不過在網際網路上基本不用。重複一遍，這裡的關係是，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個位元組表示一個符號，根據不同的符號而變化位元組長度。
UTF-8的編碼規則很簡單，只有二條：
1）對於單位元組的符號，位元組的第一位設為0，後面7位為這個符號的unicode碼。因此對於英語字母，UTF-8編碼和ASCII碼是相同的。
2）對於n位元組的符號（n>1），第一個位元組的前n位都設為1，第n+1位設為0，後面位元組的前兩位一律設為10。剩下的沒有提及的二進位制位，全部為這個符號的unicode碼。
UCS-2編碼 UTF-8位元組流
U-00000000 – U-0000007F: 0xxxxxxx
U-00000080 – U-000007FF: 110xxxxx 10xxxxxx
U-00000800 – U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
U-00010000 – U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
U-00200000 – U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
U-04000000 – U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

舉一個例子
我們使用程式碼
string s = "樑";
byte[] unicode = Encoding.Unicode.GetBytes(s);
byte[] utf8 =Encoding.UTF8.GetBytes(s);
用偵錯程式可以看到

這裡在記憶體中的資料是由高到低排列的，104十六進位制為68，129十六進位制為81，也就是說"樑"的unicode是十六進位制為6881，二進位制為110100010000001，我們從上邊的表中可以查到，6881應該屬於地三行（800-FFFF），因此"樑"的UTF-8編碼需要三個位元組即格式是“1110xxxx 10xxxxxx 10xxxxxx”。然後，從“樑”的最後一個二進位制位開始，依次從後向前填入格式中的x，多出的位補0。這樣就得到了，“樑”的UTF-8編碼是“111001101010001010000001”，按沒8位轉換成十進位制就是230，162，129。正好和上圖中utf8中的值一樣。
六、C# UTF-8 轉 GB2312
NET中記憶體中的字串都是Unicode，所以測試程式在控制檯應用程式下不好寫，請大家根據如下程式碼自己來寫吧：
public string UTF8ToGB2312(string str)
    {
        try
        {
            Encoding utf8 = Encoding.GetEncoding(65001);
            Encoding gb2312 = Encoding.GetEncoding("gb2312");//Encoding.Default ,936
            byte[] temp = utf8.GetBytes(str);
            byte[] temp1 = Encoding.Convert(utf8, gb2312, temp);
            string result = gb2312.GetString(temp1);
            return result;
        }
        catch (Exception ex)//(UnsupportedEncodingException ex)
        {
            Response.Write(ex.ToString());
            return null;
        }
    }

七、UTF8優點
UTF-8是世界通用的語言編碼，如果在其他語言的作業系統下訪問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得到的資料量少一些。
八、亂碼問題：
如果在記憶體、檔案或電子郵件中有一個字串，那麼應該知道它是使用什麼編碼方案，否則就不能將它正確的解釋或顯示給使用者。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，那麼通常會顯示一個小問號“？”，或者顯示一個方框。NET中記憶體中的字串都是Unicode，而asp.net程式預設是UTF-8編碼，我們在使用某些字串時出現了亂碼，我們首先要判斷是不是我們解釋用的編碼方式出錯了。

 

來自 “ ITPUB部落格 ” ，連結：http://blog.itpub.net/12639172/viewspace-545256/，如需轉載，請註明出處，否則將追究法律責任。