如何创建一个包含代理对的字符串？答案

【问题标题】：How do I create a string with a surrogate pair inside of it?如何创建一个包含代理对的字符串？
【发布时间】：2012-12-30 03:29:43
【问题描述】：

我在 Jon Skeet 的博客上看到了 this post，他谈到了字符串反转。我想尝试他向自己展示的示例，但它似乎有效......这让我相信我不知道如何创建一个包含代理对的字符串，这实际上会导致字符串反转失败。实际上如何创建一个包含代理对的字符串，以便我自己看到失败？

【问题讨论】：

标签： c# string utf-16 utf-32 surrogate-pairs

【解决方案1】：

术语“代理对”是指在UTF-16 编码方案中对具有高代码点的 Unicode 字符进行编码的方法（有关详细信息，请参阅this page）；

在Unicode 字符编码中，字符映射到0x000000 和0x10FFFF 之间的值。在内部，UTF-16 编码方案用于存储 Unicode 文本字符串，其中考虑了两字节 (16-bit) 代码序列。由于两个字节只能包含从0x0000 到0xFFFF 的字符范围，因此会使用一些额外的复杂性来存储高于此范围（0x010000 到0x10FFFF）的值。

这是使用称为代理的代码点对完成的。代理字符分为两个不同的范围，称为 low surrogates 和 high surrogates，具体取决于它们是允许在两码序列的开头还是结尾。

自己试试吧：

String surrogate = "abc" + Char.ConvertFromUtf32(Int32.Parse("2A601", NumberStyles.HexNumber)) + "def";

Char[] surrogateArray = surrogate.ToCharArray();
Array.Reverse(surrogateArray);

String surrogateReversed = new String(surrogateArray);

或者这个，如果你想坚持博客示例：

String surrogate = "Les Mise" + Char.ConvertFromUtf32(Int32.Parse("0301", NumberStyles.HexNumber)) + "rables";

Char[] surrogateArray = surrogate.ToCharArray();
Array.Reverse(surrogateArray);

String surrogateReversed = new String(surrogateArray);

nnd 然后使用调试器检查字符串值。 Jon Skeet 说得对……字符串和日期看起来很简单，但绝对不是。

【讨论】：

有趣的是，该示例完全按照 LinqPad 中的描述显示，但在 Visual Studio 控制台应用程序中却没有。
在 C# 中，您可以像这样编写一个十六进制的Int32 值：0x2A601 所以没有必要将Int32.Parse 与NumberStyles 一起使用。但是您也可以只说"\U0002A601" 来获取Unicode 字符。看我的回答。
关于《悲惨世界》，还有另一种分解方式：string surrogate = "Les Misérables".Normalize(NormalizationForm.FormD);

【解决方案2】：

最简单的方法是使用\U########，其中U 是大写字母，# 正好表示八个十六进制数字。如果值超过0000FFFF 十六进制，则需要代理对：

string myString = "In the game of mahjong \U0001F01C denotes the Four of circles";

您可以检查 myString.Length 以查看一个 Unicode 字符占用两个 .NET Char 值。请注意，char 类型有几个 static 方法可以帮助您确定 char 是否是代理对的一部分。

如果您使用的 .NET 语言没有类似\U######## 转义序列，则可以使用方法ConvertFromUtf32，例如：

string fourCircles = char.ConvertFromUtf32(0x1F01C);

补充：如果您的 C# 源文件具有允许所有 Unicode 字符的编码，例如 UTF-8，您可以直接将字符放入文件中（通过复制粘贴）。例如：

string myString = "In the game of mahjong ? denotes the Four of circles";

该字符在源文件（在我的示例中）中采用 UTF-8 编码，但在应用程序运行且字符串在内存中时将采用 UTF-16 编码（代理对）。

（不确定 Stack Overflow 软件是否正确处理了我的麻将字符。如果“有趣”字符不在这里，请尝试单击“编辑”对此答案并从文本中复制粘贴。）

【讨论】：

Stack Overflow 软件正确处理您的麻将字符，我将复制粘贴到编辑器中，它显示 utf-8 序列 0xF0 0x9F 0x80 0x9C 这是一个 4 字节序列并编码 unicode 代码点 0x1F01C这是十进制的 127004，这确实是“麻将牌四圈”代码点。但可能（就像我一样）我们看不到字符，因为字体不包含字形，因此会显示替换字形/字符。
@brighty 是的，Stack Overflow 似乎可以完美地处理来自平面 0 外部的字符。问题可能是由于缺少字体或网络浏览器支持（旧浏览器）。
感谢“有几个静态方法可以帮助您确定 char 是否是代理对的一部分”，我找到了Char.IsSurrogate(myString[i])，并且能够正确识别代理对非常简单可靠的方法。