C＃char中的Unicode SMP“字符”

Question

我正在尝试确定字符编码对我正在计划的软件系统的影响，我在测试时发现了一些奇怪的东西。

据我所知，C＃内部使用UTF-16（据我所知），它使用两个16位字段包含每个Unicode代码点。所以我想制作一些字符文字并故意选择和얤，因为前者来自SMP平面而后者来自BMP平面。结果是：

char ch1 = '얤'; // No problem
char ch2 = ''; // Compilation error "Too many characters in character literal"

发生了什么事？

这个问题的必然结果是，如果我有字符串“얤얤”，它会在MessageBox中正确显示，但是当我使用ToCharArray将其转换为char []时，我得到一个包含四个元素而不是三个元素的数组。此外，String.Length报告为四个而不是三个。

我在这里错过了什么吗？

Answer 1

您的源文件可能无法保存为UTF-8（在源代码中使用特殊字符时建议使用），因此编译器实际上可能会看到一个混淆它的字节序列。您可以通过在十六进制编辑器中打开源文件来验证 - 您将看到的字符代替您的角色可能会有所不同。

如果它尚未打开，您可以在工具 - ＆gt;选项 - ＆gt; Visual Studio中的文档（我使用2008）中启用该设置 - 选项为Save documents as Unicode when data cannot be saved in codepage。

通常，最好使用字符序列指定特殊字符。

这个MSDN article描述了如何使用\uxxxx序列来指定所需的Unicode字符代码。这个blog entry列出了所有各种C＃转义序列 - 我之所以包含它是因为它提到使用\ xnnn - 避免使用这种格式：它是\u的可变长度版本，它可能导致在某些情况下（不在你的情况下）的问题。

MSDN article指出字符分配不好的原因：所讨论字符的代码点是＆gt; FFFF超出了char类型的范围。

对于问题的字符串部分，答案是SMP字符表示为两个char值。 This SO question包含一些代码，显示如何从字符串中获取代码点，它涉及使用StringInfo.GetTextElementEnumerator

所有这些都包含在对这个答案的评论中，所以我刚刚将相关信息带入了这个答案，现在接受了。

Answer 2

MSDN says that the char type can represent Unicode 16-bit character（因此只有字符形式为BMP）。

如果使用BMP外的字符（UTF-16：补充对 - 2x16位）编译器将其视为两个字符。