字符串、字符、字節以及bit位小結與疑問

 字符串是由一個個字符組成的，每個字符又有一個或多個字節來表示，每個字節又由8個bit位來表示

在C#里 字符串通常由string來聲明，字符由char來聲明，字節由byte來表示，位由bit來表示，具體分析見下面的測試代碼分析：

完整測試代碼：

using System;
using System.Collections.Generic;
using System.Linq;
using System.Linq.Expressions;
using System.Text;
using System.Threading.Tasks;
using System.IO;
namespace CSharpRumenJD
{
    class Program
    {
        static void Main(string[] args)
        {

            string unicodestr = "啊?/123";
            Console.WriteLine("字符串：" + unicodestr);
            Console.WriteLine("字符長度：" + unicodestr.Length);
            Console.WriteLine("Unicode字節長度：" + System.Text.Encoding.Unicode.GetByteCount(unicodestr));
            var unicodebytes = System.Text.Encoding.Unicode.GetBytes(unicodestr);
            Console.WriteLine("gb2312字節長度：" + Encoding.GetEncoding("gb2312").GetByteCount(unicodestr));
            var gb2312bytes = System.Text.Encoding.GetEncoding("gb2312").GetBytes(unicodestr);
            #region 亂碼測試
            var gb2312tounidecodestr = System.Text.Encoding.Unicode.GetString(gb2312bytes);
            Console.WriteLine("gb2312bytes轉化成Unicode字符串：" + gb2312tounidecodestr);
            var gb2312str = System.Text.Encoding.GetEncoding("gb2312").GetString(gb2312bytes);
            Console.WriteLine("gb2312bytes字符串：" + gb2312str);
            #endregion
            #region 打印二進制數據
            int capacity = gb2312bytes.Length * 8;
            StringBuilder sb = new StringBuilder(capacity);
            for (int i = 0; i < gb2312bytes.Length; i++)
            {
                sb.Append(gb2312bytes[i] + ":" + Convert.ToString(gb2312bytes[i], 2).PadLeft(8, '0') + "|");
            }
            Console.WriteLine(sb.ToString().TrimEnd('|'));
            #endregion
            StreamWriter sw = new StreamWriter("1.txt", false, System.Text.Encoding.Unicode);
            sw.Write(unicodestr);
            sw.Close();
            StreamWriter sw1 = new StreamWriter("2.txt", false, Encoding.GetEncoding("gb2312"));
            sw1.Write(unicodestr);
            sw1.Close();
            Console.ReadKey();
        }
    }
}

測試結果：

---

 

通過測試結果可以看到同樣一個字符串，

通過Unicode編碼獲取的字節長度為12，通過GB2312獲取的字節長度為7，

而且使用Unicode去把GB2312編碼的的字節數組轉化成字符串時出現亂碼問題，使用GB2312的編碼方式把GB2312編碼的字節數組轉化成字符串時沒有任何問題的，

疑問一：為什么兩種編碼方式得到的字節長度不同呢？

---

 

Unicode碼：Unicode碼也是一種國際標准編碼，Unicode目前普遍采用的是UCS-2,它用兩個字節來編碼一個字符(多虧了ohmygirl的指點)，C#中的Unicode默認使用UTF-16編碼格式，所以上面的字符串的字節長度為12，

GB2312編碼是ANSI編碼中的一個分支，在使用 ANSI 編碼支持多種語言階段，每個字符使用一個字節或多個字節來表示（MBCS），因此，這種方式存放的字符也被稱作多字節字符。比如，"啊?/123"長度為7個字節，每個漢字占2個字節，每個英文和數字字符占1個字節，

字符與編碼的發展

從計算機對多國語言的支持角度看，大致可以分為三個階段：

	系統內碼	說明	系統
階段一	ASCII	計算機剛開始只支持英語，其它語言不能夠在計算機上存儲和顯示。	英文 DOS
階段二	ANSI編碼 （本地化）	為使計算機支持更多語言，通常使用 0x80~0xFF 范圍的 2 個字節來表示 1 個字符。比如：漢字 '中' 在中文操作系統中，使用 [0xD6,0xD0] 這兩個字節存儲。 不同的國家和地區制定了不同的標准，由此產生了 GB2312, BIG5, JIS 等各自的編碼標准。這些使用 2 個字節來代表一個字符的各種漢字延伸編碼方式，稱為 ANSI 編碼。在簡體中文系統下，ANSI 編碼代表 GB2312 編碼，在日文操作系統下，ANSI 編碼代表 JIS 編碼。 不同 ANSI 編碼之間互不兼容，當信息在國際間交流時，無法將屬於兩種語言的文字，存儲在同一段 ANSI 編碼的文本中。	中文 DOS，中文 Windows 95/98，日文 Windows 95/98
階段三	UNICODE （國際化）	為了使國際間信息交流更加方便，國際組織制定了 UNICODE 字符集，為各種語言中的每一個字符設定了統一並且唯一的數字編號，以滿足跨語言、跨平台進行文本轉換、處理的要求。	Windows NT/2000/XP，Linux，Java

 

疑問二：最后一行的十進制數字代表什么呢？

---

 

因為字節數組是由GB2312編碼格式得到的，所以需要先了解GB2312的處理方式，在使用GB2312的程序中，每個漢字及符號以兩個字節來表示。第一個字節稱為“高位字節”（也稱“區字節）”，第二個字節稱為“低位字節”（也稱“位字節”），“高位字節”使用了0xA1-0xF7(把01-87區的區號加上0xA0)，“低位字節”使用了0xA1-0xFE(把01-94加上 0xA0)，其中0xA0轉化成10進制數字就是160，“啊”字是GB2312字符集的第一個漢字，它的區號16，位號01，則區位碼是1601，

所以高位字節碼為0xA0+16即160+16=176，低位字節碼0xA0+01即160+1=161，正好和吻合，而剩下的五個十進制數字和啊字后面的五個字符個數相符，經查：

 

疑問三：為什么生成的文本文件大小和字節不一致？

---

從下圖可以看到GB2312編碼格式生成的文件大小為7字節，和控制台打印出來的一致，而Unicode編碼格式生成的文件為14字節，比控制台打印出來的字節長度真真的大了2個字節，不知道如何解釋這個現象

 

 參考資料：

1. 字符，字節和編碼
2. bit、byte、位、字節、漢字、字符之間的區別
3. 信息交換用漢字編碼字符集
4. GB2312字符集的詳解
5. ASCII碼對照表