上篇blog講了一下unicode等編碼的問題﹐不過并沒有涉及程序﹐所以這次就用.net來證實一下上次的這些東東。
在證明那些東東之前﹐首先把.net中關于處理encoding,二進制,16進制,byte等相關類別和方法羅列一下。

1.byte與string(那些255以內的整數)的相互轉換(各種進制之間的相互轉換)
使用System.Convert類別
string to byte
Convert.ToByte(string,base)
base:2表示二進制,8表示八進制,10表示十進制,16表示十六進制(你要輸入33,呵呵﹐異常)
這樣可以把字符串的(0--255)轉成一個byte
Convert.ToByte("01000001",2)轉成 65
Convert.ToByte("255",10)轉成255
Convert.ToByte("42",16)轉成66

同理﹐byte to string也是Convert類
Convert.ToString(byte,base)
同樣可以轉成相應的進制表示的字符串

通過這兩個方法﹐我們要進行2,8,10,16進制的相互轉換就容易了

2.char,int,long,boolean等與byte[]之間的相互轉換(這些數據在內存中的存儲狀況)
使用System.BitConverter類別
我們都知道char,int,long等基本類型是以字節形式存在內存中的﹐所以要查看其內存存儲方式則直接使用BitConverter.GetBytes()就可以了
然后再使用BitConverter.ToString(byte[])就可以以string方式查看了(如:f9-03表示2個字節)

string是由char組成的﹐只要foreach(char in string)就可以看到string的存儲方式了(實驗表明﹐string在內存中是以unicode編碼存在的,下有示例)

3.各種Encoding之間的轉換
使用System.Text中的Encoding相關的類別就可以了
包括Encoding,ASCIIEncoding,UTF8Encoding等,當然也可以通過Encoding.GetEncoding()來獲取不同的編碼。
然后再通過GetBytes(string)方法﹐就可以獲取string的不同編碼的byte數組了
通過GetString(byte[])方法﹐就可以把某種編碼的byte數組轉成字符串.
如"I am 小生,hello world!"的各種bytes編碼測試

using System;
using System.Collections;
using System.Text;

public class MyClass
{
public static void Main()
{
string tmp = "I am 小生,hello world!";
? WL("內存中存儲的字節數組﹕");

foreach(char c in tmp)
{
byte[] b = BitConverter.GetBytes(c);
?? Console.Write(BitConverter.ToString(b) + "-");
? }
? WL("");
? WL("unicode字節數組﹕");
byte[] bs1 = Encoding.Unicode.GetBytes(tmp);
? WL(BitConverter.ToString(bs1));
? WL("utf8字節數組﹕");

byte[] bs2 = Encoding.UTF8.GetBytes(tmp);
? WL(BitConverter.ToString(bs2));
? WL("default字節數組﹕");
byte[] bs3 = Encoding.Default.GetBytes(tmp);
? WL(BitConverter.ToString(bs3));
? WL("big5字節數組﹕");
byte[] bs4 = Encoding.GetEncoding(950).GetBytes(tmp);
? WL(BitConverter.ToString(bs4));
? RL();
}

private static void WL(string text, params object[] args)
{
? Console.WriteLine(text, args);
}

private static void RL()
{
? Console.ReadLine();
}

private static void Break()
{
? System.Diagnostics.Debugger.Break();
}
}

在下面開始之前﹐先摘錄一段關于BOM的知識

-----------------------------------------------------------------
UTF的字節序和BOM

UTF-8以字節為編碼單元，沒有字節序的問題。UTF-16以兩個字節為編碼單元，在解釋一個UTF-16文本前，首先要弄清楚每個編碼單元的字節序。例如收到一個“奎”的Unicode編碼是594E，“乙”的Unicode編碼是4E59。如果我們收到UTF-16字節流“594E”，那么這是“奎”還是“乙”？

Unicode規范中推薦的標記字節順序的方法是BOM。BOM不是“Bill Of Material”的BOM表，而是Byte Order Mark。BOM是一個有點小聰明的想法：在UCS編碼中有一個叫做"ZERO WIDTH NO-BREAK SPACE"的字符，它的編碼是FEFF。而FFFE在UCS中是不存在的字符，所以不應該出現在實際傳輸中。UCS規范建議我們在傳輸字節流前，先傳輸字符"ZERO WIDTH NO-BREAK SPACE"。

這樣如果接收者收到FEFF，就表明這個字節流是Big-Endian的；如果收到FFFE，就表明這個字節流是Little-Endian的。因此字符"ZERO WIDTH NO-BREAK SPACE"又被稱作BOM。

UTF-8不需要BOM來表明字節順序，但可以用BOM來表明編碼方式。字符"ZERO WIDTH NO-BREAK SPACE"的UTF-8編碼是EF BB BF。所以如果接收者收到以EF BB BF開頭的字節流，就知道這是UTF-8編碼了。

Windows就是使用BOM來標記文本文件的編碼方式的。

----------------------------------------------------------

好了﹐這些問題解決后﹐我們就來做單純的文本文件的編碼識別﹐讀取與寫入測試吧。
以windows的notepad為例(其它的文本文件讀取軟件的原理應該也差不多﹐只是會多一些特殊的判斷算法而已)。

notepad默認有四種編碼來存儲和讀取文本文件。分別是﹕
ANSI,Unicode,Unicode-big-endian和UTF-8。
首先來講ANSI吧﹐這個是windows操作系統在區域與語言塊設置的編碼(也就是系統默認的編碼)﹐因此像繁體操作系統就是big5,而簡體操作系統則是GBK。

而Unicode和UTF-8這兩種格式相信大家已經有所了解(當然前者是unicode-16)

而Unicode-big-endian是什么意思呢﹐它與Unicode幾乎一樣﹐只是它把高位放在前面(而后者則剛好相反)
上面的摘錄已經有所說明﹐這里再解釋一下﹕
如同樣是字符"A"﹐在以下幾種格式中的存儲形式分別是﹕
UTF-16 big-endian : 00 41
UTF-16 little-endian : 41 00
UTF-32 big-endian : 00 00 00 41
UTF-32 little-endian : 41 00 00 00

好了﹐大家想一想﹐文本文件在硬盤中是以字節形式存儲的﹐如果不知道文本文件的編碼﹐那是無論如何也不能正確讀出文本文件顯示給用戶看的(亂碼了只有人才知道﹐程序則認為一切正常)

根據BOM的規則﹐因此在一段字節流開始時﹐如果接收到以下字節﹐則分別表明了該文本文件的編碼。
UTF-8: EF BB BF
UTF-16 : FF FE
UTF-16 big-endian: FE FF
UTF-32 little-endian: FF FE 00 00
UTF-32 big-endian: 00 00 FE FF
而如果不是以這個開頭﹐那程序則會以ANSI,也就是系統默認編碼讀取。

所以現在我們來做個測試就可以很清楚地對以上的東東進行驗證了。
1.用notepad輸入"漢A"這2個字符﹐然后分別保存成ANSI,Unicode,Unicode-big-endian和UTF-8,名字分別取為ansi.txt,unicode.txt,unicode_b.txt,utf8.txt,并且放在c盤根目錄下

2.用以下程序進行驗證

using System;
using System.Collections;
using System.IO;

public class MyClass
{
private static void writefile(string path)
{
? FileStream fs = null;
try{
?? fs = new FileStream(path,FileMode.Open);
byte[] bs = new byte[fs.Length];
?? fs.Read(bs,0,bs.Length);
?? WL(BitConverter.ToString(bs));
?? SixTTwo(BitConverter.ToString(bs));
? }
catch(Exception ex)
{
?? WL(ex.ToString());
? }
finally
{
if(fs!=null)
??? fs.Close();
? }
}

public static void Main()
{
string path;
? WL("ANSI文件格式的字節流﹕");
? path = "c:\\ansi.txt";
? writefile(path);

? WL("Unicode文件格式的字節流﹕");
? path = "c:\\unicode.txt";
? writefile(path);

? WL("Unicode-big-endian文件格式的字節流﹕");
? path = "c:\\unicode_b.txt";
? writefile(path);

? WL("utf-8文件格式的字節流﹕");
? path = "c:\\utf8.txt";
? writefile(path);
? RL();
}

public static void SixTTwo(string sixstr)
{
string[] tmp = sixstr.Split(new char[]{'-'});
foreach(string s in tmp)
{


Console.Write(Convert.ToString(Convert.ToByte(s,16),2).PadLeft(8,'0')+ "

");
? }
? WL("");
}

private static void WL(string text, params object[] args)
{
? Console.WriteLine(text, args);
}

private static void RL()
{
? Console.ReadLine();
}

private static void Break()
{
? System.Diagnostics.Debugger.Break();
}
}

3.以下是輸出格式﹕
ANSI文件格式的字節流﹕
BA-BA-41
10111010 10111010 01000001
Unicode文件格式的字節流﹕
FF-FE-49-6C-41-00
11111111 11111110 01001001 01101100 01000001 00000000
Unicode-big-endian文件格式的字節流﹕
FE-FF-6C-49-00-41
11111110 11111111 01101100 01001001 00000000 01000001
utf-8文件格式的字節流﹕
EF-BB-BF-E6-B1-89-41
11101111 10111011 10111111 11100110 10110001 10001001 01000001

從以上結果可以很容易的看到BABA正是"漢"字的gb2312編碼﹐當然我的操作系統是繁體的﹐如果我直接雙擊打開﹐則可以看到"犖A"﹐這是亂碼﹐因為我的系統baba查的是big5﹐而baba的big5碼正是"犖"

然而還有其它很多程序﹐像IE呀,它可以使用meta標簽來識別文件的編碼,xml也是可以通過encoding屬性來說明文件的編碼的﹐所以這些程序的識別方法和普通的又有些不同罷了。

同樣﹐寫一個文本文件時﹐先寫入這些標記符﹐則也會幫助notepad識別這些文件的編碼(當然.net專門提供了一些類別﹐如StreamWriter﹐可以直接存成某種編碼的格式)。

至于各種encoding之間的轉換﹐我想也不必多說了﹐通過Encoding類的Convert,GetBytes和GetString方法是很容易進行轉換的。

原來潛水看別人的文章時發現很簡單﹐自己寫起來才發現寫好一篇blog這么困難(汗...)