您的位置:首页 > 编程语言 > C#

c# Unicode 编码和解码

2014-03-26 18:23 417 查看
在涉及Web前端开发时, 有时会遇到
\uXXXX
格式表示的字符, 其中
XXXX
是16进制数字的字符串表示形式, 在js中这个叫Unicode转义字符, 和
\n
\r
同属于转义字符. 在其他语言中也有类似的, 可能还有其它变形的格式.
多数时候遇到需要解码的情况多点, 所以会先介绍解码decode, 后介绍编码encode.
下文会提供Javascript C# Java三种语言下不同方法的实现和简单说明, 会涉及到正则和位运算的典型用法.

Javascript的实现

解码的实现

1
2
3

function decode(s) {
return unescape(s.replace(/\\(u[0-9a-fA-F]{4})/gm, '%$1'));
}

unescape
是用来处理
%uXXXX
这样格式的字符串, 将
\uXXXX
替换成
%uXXXX
unescape
就可以处理了.

编码的实现

1
2
34
5

function encode1(s) {
return escape(s).replace(/%(u[0-9A-F]{4})|(%[0-9A-F]{2})/gm, function($0, $1, $2) {
return $1 && '\\' + $1.toLowerCase() || unescape($2);
});
}

和解码中相对应, 使用
escape
编码, 然后将
%uXXXX
替换为
\uXXXX
, 因为
escape
还可能把一些字符编码成
%XX
的格式, 所以这些字符还需要使用
unescape
还原回来.
escape
编码结果
%uXXXX
中的
XXXX
是大写的, 所以后面的
replace
只处理大写的
A-F
.

另一种编码的实现

不使用正则和
escape


1
2
34
5
6
7
8
9
10
11
12
13
14

function encode2(s) {
var i, c, ret = [],
pad = '000';
for (i = 0; i < s.length; i++) {
c = s.charCodeAt(i);
if (c > 256) {
c = c.toString(16);
ret[i] = '\\u' + pad.substr(0, 4 - c.length) + c;
} else {
ret[i] = s[i];
}
}
return ret.join('');
}

遍历字符串中的字符, 那些
charCode
大于256的会转换成16进制字符串
c.toString(16)
, 如果不足4位则左边补0
pad.substr(0, 4 - c.length)
. 结尾将遍历的结果合并成字符串返回.

C#的实现

解码的实现

1
2
34
5
6
7
8
9
10
11
12
13
14

static Regex reUnicode = new Regex(@"\\u([0-9a-fA-F]{4})", RegexOptions.Compiled);

public static string Decode(string s)
{
return reUnicode.Replace(s, m =>
{
short c;
if (short.TryParse(m.Groups[1].Value, System.Globalization.NumberStyles.HexNumber, CultureInfo.InvariantCulture, out c))
{
return "" + (char)c;
}
return m.Value;
});
}

正则和js中的一样, 将
XXXX
转换以16进制
System.Globalization.NumberStyles.HexNumber
解析为
short
类型, 然后直接
(char)c
就能转换成对应的字符,
"" + (char)c
用于转换成字符串类型返回.
由于正则中也有
\uXXXX
, 所以需要写成
\\uXXXX
来表示匹配字符串
\uXXXX
, 而不是具体的字符.
上面使用到了Lambda, 需要至少dotnet 4的SDK才能编译通过, 可以在dotnet 2下运行.

编码的实现

1
2
34
5
6

static Regex reUnicodeChar = new Regex(@"[^\u0000-\u00ff]", RegexOptions.Compiled);

public static string Encode(string s)
{
return reUnicodeChar.Replace(s, m => string.Format(@"\u{0:x4}", (short)m.Value[0]));
}

和C#的解码实现正好相反, 0-255之外的字符, 从
char
转换成
short
, 然后
string.Format
以16进制, 至少输出4位.

Java的实现

解码的实现

和C#相似的, 使用正则

1
2
34
5
6
7
8
9
10
11
12

static final Pattern reUnicode = Pattern.compile("\\\\u([0-9a-zA-Z]{4})");

public static String decode1(String s) {
Matcher m = reUnicode.matcher(s);
StringBuffer sb = new StringBuffer(s.length());
while (m.find()) {
m.appendReplacement(sb,
Character.toString((char) Integer.parseInt(m.group(1), 16)));
}
m.appendTail(sb);
return sb.toString();
}

Java语言没有内嵌正则语法, 也没有类似C#的
@"\u1234"
原始形式字符串的语法, 所以要表示正则中匹配
\
, 就需要
\\\\
, 其中2个是用于Java中字符转义, 2个是正则中的字符转义.
Java语言中没有设计函数或者委托的语法, 所以它的正则库提供的是
find
appendReplacement
appendTail
这些方法的组合, 等价于js和C#中的
replace
.
这里使用
StringBuffer
类型是由于
appendReplacement
只接受这个类型,
StringBuffer
有线程安全的额外操作, 所以性能差一点. 也许第三方的正则库能把API设计的更好用点.
Integer.parseInt(m.group(1), 16)
用于解析为
int
类型, 之后再
(char)
, 以及
Character.toString
转换成字符串.

解码的另一种实现

因为
StringBuffer
的原因, 不使用正则的实现

1
2
34
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26

public static String decode2(String s) {
StringBuilder sb = new StringBuilder(s.length());
char[] chars = s.toCharArray();
for (int i = 0; i < chars.length; i++) {
char c = chars[i];
if (c == '\\' && chars[i + 1] == 'u') {
char cc = 0;
for (int j = 0; j < 4; j++) {
char ch = Character.toLowerCase(chars[i + 2 + j]);
if ('0' <= ch && ch <= '9' || 'a' <= ch && ch <= 'f') {
cc |= (Character.digit(ch, 16) << (3 - j) * 4);
} else {
cc = 0;
break;
}
}
if (cc > 0) {
i += 5;
sb.append(cc);
continue;
}
}
sb.append(c);
}
return sb.toString();
}

手工做就是麻烦很多, 代码中也一坨的符号.
遍历所有字符
chars
, 检测到
\u
这样的字符串, 检测后续的4个字符是否是16进制数字的字符表示. 因为
Character.isDigit
会把一些其它语系的数字也算进来, 所以保险的做法
'0' <= ch && ch <= '9'
.
Character.digit
会把
0-9
返回为
int
类型的0-9, 第2个参数是16时会把
a-f
返回为
int
类型的10-15.
剩下的就是用
|=
把各个部分的数字合并到一起, 转换成char类型. 还有一些调整遍历位置等.

编码的实现

考虑到Java正则的杯具, 还是继续手工来吧, 相对解码来说代码少点.

1
2
34
5
6
7
8
9
10
11
12
13
14
15

public static String encode(String s) {
StringBuilder sb = new StringBuilder(s.length() * 3);
for (char c : s.toCharArray()) {
if (c < 256) {
sb.append(c);
} else {
sb.append("\\u");
sb.append(Character.forDigit((c >>> 12) & 0xf, 16));
sb.append(Character.forDigit((c >>> 8) & 0xf, 16));
sb.append(Character.forDigit((c >>> 4) & 0xf, 16));
sb.append(Character.forDigit((c) & 0xf, 16));
}
}
return sb.toString();
}

对应于上文Java编码的实现正好是反向的实现, 依旧遍历字符, 遇到大于256的字符, 用位运算提取出4部分并使用
Character.forDigit
转换成16进制数对应的字符.
剩下就是
sb.toString()
返回了.

总结

编码从逻辑上比解码简单点.
对付字符串, js还是最顺手的, 也方便测试.
位运算的性能很高.
Java的正则库设计的很不方便, 可以考虑第三方.
Java的语法设计现在看来呆板, 落后, 也没有js那种灵活.
上文Java的非正则实现可以写成等价的C#代码.
内容来自用户分享和网络整理,不保证内容的准确性,如有侵权内容,可联系管理员处理 点击这里给我发消息
标签: