一、 ascii碼
我們知道，在計算機內部，所有的資訊最終都表示為乙個二進位制的字串。每乙個二進位制位（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，這被稱為乙個位元組（byte）。也就是說，乙個位元組一共可以用來表示256種不同的狀態，每乙個狀態對應乙個符號，就是256個符號，從00000000到11111111。
上個世紀60年代，美國制定了一套字元編碼，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），只占用了乙個位元組的後面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 ，**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碼表示。於是，一些歐洲國家就程式設計客棧決定，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，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乙個符號。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。乙個位元組只能表示256種符號，肯定是不夠的，就必須使用多個位元組表達乙個符號。比如，簡體中文常見的編碼方式是gb2312，使用兩個位元組表示乙個漢字，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**：
string s = "梁";
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，同乙個二進位制數字可以被解釋成不同的符號。因此，要想開啟乙個文字檔案，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。每乙個符號都給予乙個獨一無二的編碼，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當然是乙個很大的集合，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**：
string s = "梁";
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只是乙個符號集，它只規定了符號的二進位制**，卻沒有規定這個二進位制**應該如何儲存。
比如，漢字「梁」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，第乙個問題是，如何才能區別unicode和ascii？計算機怎麼知道三個位元組表示乙個符號，而不是分別表示三個符號呢？第二個問題是，我們已經知道，英文本母只用乙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，那麼每個英文本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最大的乙個特點，就是它是一種變長的編碼方式。它可以使用1~4個位元組表示乙個符號，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，位元組的第一位程式設計客棧設為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），第乙個位元組的前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。
unicode和utf-8之間轉換關係
ucs-2編碼
utf-8位元組流
u-00000000 – u-0000007f:
0******x
u-00000080 – u-000007ff:
110***xx 10******
u-00000800 – u-0000ffff:
1110***x 10****** 10******
u-00010000 – u-001fffff:
11110*** 10****** 10****** 10******
u-00200000 – u-03ffffff:
111110xx 10****** 10****** 10****** 10******
u-04000000 – u-7fffffff:
1111110x 10****** 10****** 10****** 10****** 10******
舉乙個例子
我們使用**
string s = "梁";
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，104十六進製制為68，129十六進製制為81，也就是說"梁"的unicode是十六進製制為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（程式設計客棧800-ffff），因此"梁"的utf-8編碼需要三個位元組即格式是「1110***x 10****** 10******」。然後，從「梁」的最後乙個二進位制位開始，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，「梁」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台應用程式下不好寫，請大家根據如下**自己來寫吧：
string utf8togb2312(string str)
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**，需要**語言包，所以為了**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乙個字串，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，那麼通常會顯示乙個小問號「？」，或者顯示乙個方框。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
本文標題: c#字串編碼問題的處理解決
本文位址:
c 處理字串問題
include include include using namespace std string key 100000 string value 100000 string result 100000 string find string word void split string str,i...
c 字串的編碼？
c 字串載入到記憶體裡面是什麼編碼格式的？win7中文系統下，控制台預設是gbk編碼的，用gbk格式儲存的原始檔，中文字串在vs2010下編譯輸出到控制台會正常輸出 但是vs2010裡面採用utf 8無bom的原始檔 輸出中文字串到終端就出現亂碼了 所以 是不是c 把字串的值載入到記憶體中時 是按照...
python字串編碼問題
問題 程式如下 coding utf 8 raw input u 輸入 輸出 但是對print語句，卻沒有問題 coding utf 8 print u 輸入 原因可能是raw input函式在接受引數u 輸入 時，採用的是ascii解碼方式，而首行注釋 coding utf 8，只是宣告.py檔案...