C# char 中的 Unicode SMP“字符”[重复]答案

【问题标题】：Unicode SMP "character" in C# char [duplicate]C# char 中的 Unicode SMP“字符”[重复]
【发布时间】：2013-05-05 08:43:21
【问题描述】：

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，但在进行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）它包含使用两个 16 位字段的每个 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，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？

这个问题的一个推论是，如果我有字符串“얤????얤”，它会在 MessageBox 中正确显示，但是当我使用 ToCharArray 将其转换为 char[] 时，我会得到一个包含四个元素的数组而不是三个。此外，String.Length 报告为四个而不是三个。

我错过了什么吗？

【问题讨论】：

可能是保存复杂字符？？？？作为 Unicode 代码点，通常长度为两个字符。
@RaymondChen 敏锐的眼光...我尝试了几次不同的搜索，但没有发现任何相关内容！
我能以某种方式关闭这个问题作为重复吗？

标签： c# character-encoding astral-plane

【解决方案1】：

您的源文件可能没有以 UTF-8 格式保存（在源文件中使用特殊字符时建议这样做），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这一点 - 您将看到的代替角色的字节可能会有所不同。

如果它尚未打开，您可以在 Visual Studio 中的 Tools->Options->Documents 中打开该设置（我使用 2008） - 选项是 Save documents as Unicode when data cannot be saved in codepage。

通常，最好使用字符序列来指定特殊字符。

此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，在某些情况下可能会导致问题（不过，不在你的）。

MSDN article 指出了字符分配不好的原因：相关字符的代码点是 > FFFF，超出了 char 类型的范围。

至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 包含一些显示如何从字符串中获取代码点的代码，它涉及使用 StringInfo.GetTextElementEnumerator

【讨论】：

答案实际上在您引用的 MSDN 文章中...... ? 的代码点是 1D6C03 并且文章指出不支持 10FFFF 以上的代码点。谢谢！
严格来说，我之前的评论是不正确的，MSDN 文章指出“在字符文字中不允许使用 U+10000 到 U+10FFFF 范围内的 Unicode 字符，并且使用 Unicode 代理对表示一个字符串文字”，但它接着说在字符串中不支持超过 10FFFF 的 Unicode 字符。只是为了澄清...... char 文字无效，因为代码点高于 FFFF，字符串文字无效，因为代码点高于 10FFFF
我不明白为什么我的带有>10FFFF 代码点的字符串在MessageBox 中正确显示...
@Paul 这个链接可能会回答这个问题（我以前不知道这个限制）：stackoverflow.com/questions/8369772/…
实际上，到目前为止的答案是我很烂...我错误地创建了代码点，它不是 1D6C03 而是 1D6C3...我在我的 3 之前用了一个 0愚蠢。所以 1D6C3 FFFF 所以它在字符文字中不好，必须在字符串中。

【解决方案2】：

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

如果您使用 BMP 之外的字符（在 UTF-16 中：补充对 - 2x16 位），编译器会将其视为两个字符。

【讨论】：