- 作者：Lance.Liang 文章来源：博客园 发布日期：2008-09-15
-
微软的那个臭屁的JOEL（就是写《JOEL说软件》的那个牛人）曾说：“每一位软件开发人员必须、绝对要至少具备UNICODE与字符集知识（没有任何例外）”，我也常常困扰于字符集的转换等很多问题，所以这次下决心要把他搞个清楚。
一、 ASCII码
我们知道，在计算机内部，所有的信息最终都表示为一个二进制的字符串。每一个二进制位（bit）有0和1两种状态，因此八个二进制位就可以组合出256种状态，这被称为一个字节（byte）。也就是说，一个字节一共可以用来表示256种不同的状态，每一个状态对应一个符号，就是256个符号，从00000000到11111111。
上个世纪60年代，美国制定了一套字符编码，对英语字符与二进制位之间的关系，做了统一规定。这被称为ASCII码，一直沿用至今。ASCII码一共规定了128个字符的编码，比如空格“SPACE”是32（二进制00100000），大写的字母A是65（二进制01000001）。这128个符号（包括32个不能打印出来的控制符号），只占用了一个字节的后面7位，最前面的1位统一规定为0。
在C#中如果你想看看某个字母的ASCII码是多少，可以使用表示字符编码的类Encoding ，代码如下：
string s = "a";
byte[] ascii = Encoding.ASCII.GetBytes(s);
我们通过调试器可以看到ascii中为97，也就是说a的ASCII码为97（1100001）二、非ASCII编码
英语用128个符号编码就够了，但是用来表示其他语言，128个符号是不够的。比如，在法语中，字母上方有注音符号，它就无法用ASCII码表示。于是，一些欧洲国家就决定，利用字节中闲置的最高位编入新的符号。比如，法语中的é的编码为130（二进制10000010）。这样一来，这些欧洲国家使用的编码体系，可以表示最多256个符号。
但是，这里又出现了新的问题。不同的国家有不同的字母，因此，哪怕它们都使用256个符号的编码方式，代表的字母却不一样。比如，130在法语编码中代表了é，在希伯来语编码中却代表了字母Gimel ，在俄语编码中又会代表另一个符号。但是不管怎样，所有这些编码方式中，0—127表示的符号是一样的，不一样的只是128—255的这一段。
至于亚洲国家的文字，使用的符号就更多了，汉字就多达10万左右。一个字节只能表示256种符号，肯定是不够的，就必须使用多个字节表达一个符号。比如，简体中文常见的编码方式是GB2312，使用两个字节表示一个汉字，所以理论上最多可以表示256x256=65536个符号。在C#中如果你想看看某个汉字的GB2312编码可以使用如下代码：
string s = "梁";
System.Text.Encoding GB2312 = System.Text.Encoding.GetEncoding("GB2312");
byte[] gb = GB2312.GetBytes(s);
这时gb中有两个数字193（11000001），186（10111010）三、Unicode
正如上边所说，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。C#中如果你想看看某个汉字的Unicode编码可以使用如下代码：
string s = "梁";
byte[] unicode = Encoding.Unicode.GetBytes(s);
这时unicode中有两个数字129（10000001），104（1101000）四、Unicode的问题
需要注意的是，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“梁”的unicode是（110100010000001），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。
五、UTF-8
互联网的普及，强烈要求出现一种统一的编码方式。UTF-8就是在互联网上使用最广的一种unicode的实现方式。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。
UTF-8的编码规则很简单，只有二条：
1）对于单字节的符号，字节的第一位设为0，后面7位为这个符号的unicode码。因此对于英语字母，UTF-8编码和ASCII码是相同的。
2）对于n字节的符号（n>1），第一个字节的前n位都设为1，第n+1位设为0，后面字节的前两位一律设为10。剩下的没有提及的二进制位，全部为这个符号的unicode码。
Unicode和UTF-8之间转换关系 UCS-2编码 UTF-8字节流 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 举一个例子
我们使用代码
string s = "梁";
byte[] unicode = Encoding.Unicode.GetBytes(s);byte[] utf8 =Encoding.UTF8.GetBytes(s);
用调试器可以看到这里在内存中的数据是由高到低排列的，104十六进制为68，129十六进制为81，也就是说"梁"的unicode是十六进制为6881，二进制为110100010000001，我们从上边的表中可以查到，6881应该属于地三行（800-FFFF），因此"梁"的UTF-8编码需要三个字节即格式是“1110xxxx 10xxxxxx 10xxxxxx”。然后，从“梁”的最后一个二进制位开始，依次从后向前填入格式中的x，多出的位补0。这样就得到了，“梁”的UTF-8编码是“111001101010001010000001”，按没8位转换成十进制就是230，162，129。正好和上图中utf8中的值一样。
六、C# UTF-8 转 GB2312
NET中内存中的字符串都是Unicode，所以测试程序在控制台应用程序下不好写，请大家根据如下代码自己来写吧：
