为什么这个字符串的长度比它的字符数长？

Question

这段代码：

string a = "abc";
string b = "A????C";
Console.WriteLine("Length a = {0}", a.Length);
Console.WriteLine("Length b = {0}", b.Length);

输出：

Length a = 3
Length b = 4

为什么？我唯一能想到的就是汉字有2个字节长，.Length方法返回字节数。

Answer 1

来自String.Length 属性的documentation：

Length 属性返回此实例中 Char 对象的数量，而不是 Unicode 字符的数量。原因是一个 Unicode 字符可能由多个 Char 表示。使用 System.Globalization.StringInfo 类来处理每个 Unicode 字符，而不是每个 Char。

Answer 2

这是因为Length 属性返回char 对象 的数量，而不是Unicode 字符的数量。在您的情况下，Unicode 字符之一由多个 char 对象（SurrogatePair）表示。

Length 属性返回此中 Char 对象的数量 例如，不是 Unicode 字符的数量。原因是一个 Unicode 字符可能由多个 Char 表示。使用 System.Globalization.StringInfo 类与每个 Unicode 一起工作 字符而不是每个字符。

Answer 3

"A?C" 中索引 1 处的角色是 SurrogatePair

要记住的关键点是代理对代表 32 位 单个字符。

你可以试试这个代码，它会返回True

Console.WriteLine(char.IsSurrogatePair("A?C", 1));

Char.IsSurrogatePair Method (String, Int32)

true 如果 s 参数在位置包含 相邻字符 index 和 index + 1，以及字符的数值 位置索引范围从 U+D800 到 U+DBFF，数字 位置 index+1 处字符的值范围从 U+DC00 到 U+DFFF;否则，false。

这在String.Length 属性中有进一步解释：

Length 属性返回 此中 Char 对象的数量 例如，不是 Unicode 字符的数量。 原因是 Unicode 字符可能由多个 Char 表示。使用 System.Globalization.StringInfo 类与每个 Unicode 一起工作 字符而不是每个字符。

Answer 4

正如其他答案所指出的，即使有 3 个可见字符，它们也用 4 个 char 对象表示。这就是为什么Length 是 4 而不是 3。

MSDN 声明

Length 属性返回此中 Char 对象的数量 例如，不是 Unicode 字符数。

但是，如果您真正想知道“文本元素”的数量而不是 Char 对象的数量，您可以使用 StringInfo 类。

var si = new StringInfo("A?C");
Console.WriteLine(si.LengthInTextElements); // 3

你也可以像这样枚举每个文本元素

var enumerator = StringInfo.GetTextElementEnumerator("A?C");
while(enumerator.MoveNext()){
    Console.WriteLine(enumerator.Current);
}

在字符串上使用foreach 会将中间的“字母”拆分为两个char 对象，并且打印的结果将与字符串不对应。

Answer 5

其他人都给出了表面上的答案，但也有更深层次的理由：“字符”的数量是一个难以定义的问题，计算起来可能非常昂贵，而长度属性应该很快。

为什么很难定义？好吧，有几个选项，没有一个比另一个更有效：

• 代码单元的数量（字节或其他固定大小的数据块；C# 和 Windows 通常使用 UTF-16，因此它返回两字节块的数量）当然是相关的，因为计算机仍然需要处理出于多种目的使用该形式的数据（例如，写入文件，关心字节而不是字符）

• Unicode 代码点的数量相当容易计算（尽管 O(n)，因为您必须扫描字符串以查找代理对）并且可能对文本编辑器很重要....但实际上并不相同事物作为打印在屏幕上的字符数（称为字素）。例如，一些重音字母可以用两种形式表示：一个代码点，或者两个点配对在一起，一个代表字母，一个表示“给我的伙伴字母添加重音”。这对是两个字符还是一个？您可以规范化字符串以帮助解决此问题，但并非所有有效字母都具有单个代码点表示。

• 即使字素的数量与打印字符串的长度也不相同，这取决于字体以及其他因素，并且由于在打印某些字符时在许多字体中存在一些重叠（字距调整），因此无论如何，屏幕上字符串的长度不一定等于字素长度的总和！

• 一些 Unicode 点甚至不是传统意义上的字符，而是某种控制标记。像字节顺序标记或从右到左的指示符。这些算不算？

简而言之，字符串的长度实际上是一个非常复杂的问题，计算它可能需要大量的 CPU 时间以及数据表。

此外，还有什么意义？为什么这些指标很重要？好吧，只有你可以为你的情况回答这个问题，但就我个人而言，我发现它们通常是无关紧要的。我发现限制数据输入在逻辑上更符合字节限制，因为无论如何这都是需要传输或存储的。限制显示大小最好由显示端软件完成 - 如果您有 100 个像素的消息，您适合多少个字符取决于字体等，无论如何数据层软件都不知道。最后，鉴于 unicode 标准的复杂性，如果您尝试其他任何方法，您可能会在边缘情况下遇到错误。

所以这是一个难题，没有很多通用用途。代码单元的数量很容易计算 - 它只是底层数据数组的长度 - 作为一般规则，最有意义/最有用的，具有简单的定义。

这就是为什么b 的长度4 超出了“因为文档这么说”的表面解释。

Answer 6

正如其他人所说，这不是字符串中的字符数，而是 Char 对象的数量。字符 ? 是代码点 U+20213。由于该值超出了 16 位 char 类型的范围，因此它以 UTF-16 编码为代理对 D840 DE13。

其他答案中提到了获取字符长度的方法。但是应该小心使用它，因为可以有多种方式来表示 Unicode 中的字符。 “à”可以是 1 个组合字符或 2 个字符（a + 变音符号）。可能需要规范化，例如 twitter。

您应该阅读此内容
The Absolute Minimum Every Software Developer Absolutely, Positively Must Know About Unicode and Character Sets (No Excuses!)

Answer 7

这是因为length() 仅适用于不大于U+FFFF 的Unicode 代码点。这组代码点称为Basic Multilingual Plane (BMP)，仅使用 2 个字节。

BMP 之外的 Unicode 代码点在 UTF-16 中使用 4 字节代理对表示。

要正确计算字符数 (3)，请使用 StringInfo

StringInfo b = new StringInfo("A?C");
Console.WriteLine(string.Format("Length 2 = {0}", b.LengthInTextElements));

Answer 8

好的，在 .Net 和 C# 中，所有字符串都编码为 UTF-16LE。 string 存储为字符序列。每个char封装了2字节或16位的存储。

我们在“纸上或屏幕上”看到的单个字母、字符、字形、符号或标点符号可以被视为单个文本元素。如Unicode Standard Annex #29 UNICODE TEXT SEGMENTATION 中所述，每个文本元素由一个或多个代码点表示。代码的详尽列表可以是found here。

每个代码点都需要编码成二进制，以便计算机内部表示。如前所述，每个 char 存储 2 个字节。 U+FFFF 或以下的代码点可以存储在单个char 中。 U+FFFF 以上的代码点存储为代理对，使用两个字符表示单个代码点。

鉴于我们现在知道的可以推断，文本元素可以存储为一个 char，作为两个字符的代理对，或者，如果文本元素由多个代码点表示，则单个字符和代理的某种组合对。好像这还不够复杂，一些文本元素可以由代码点的不同组合表示，如in, Unicode Standard Annex #15, UNICODE NORMALIZATION FORMS 所述。

---

插曲

因此，在渲染时看起来相同的字符串实际上可以由不同的字符组合组成。两个这样的字符串的序数（逐字节）比较会检测到差异，这可能是意外或不受欢迎的。

您可以重新编码 .Net 字符串。以便他们使用相同的规范化表格。标准化后，具有相同文本元素的两个字符串将以相同的方式编码。为此，请使用string.Normalize 函数。但是，请记住，一些不同的文本元素看起来彼此相似。 :-s

---

那么，对于这个问题，这一切意味着什么？文本元素'?' 由单个代码点 U+20213 cjk 统一表意文字扩展 b 表示。这意味着它不能编码为单个char，必须使用两个字符编码为代理对。这就是为什么string b 比char 长一个string a。

如果您需要可靠地（请参阅警告）计算 string 中的文本元素的数量，您应该使用 System.Globalization.StringInfo 类这样的。

using System.Globalization;

string a = "abc";
string b = "A?C";

Console.WriteLine("Length a = {0}", new StringInfo(a).LengthInTextElements);
Console.WriteLine("Length b = {0}", new StringInfo(b).LengthInTextElements);

给出输出，

"Length a = 3"
"Length b = 3"

正如预期的那样。

---

警告

在StringInfo 和TextElementEnumerator 类中Unicode 文本分割的.Net 实现通常很有用，并且在大多数情况下，会产生调用者期望的响应。但是，如Unicode Standard Annex #29, "The goal of matching user perceptions cannot always be met exactly because the text alone does not always contain enough information to unambiguously decide boundaries."中所述