System.Text.Encoding – třída
Tento článek obsahuje doplňující poznámky k referenční dokumentaci pro toto rozhraní API.
Třída Encoding představuje kódování znaků.
Kódování je proces transformace sady znaků Unicode na posloupnost bajtů. Dekódování je naopak proces transformace sekvence kódovaných bajtů na sadu znaků Unicode. Informace o formátech transformace Unicode (UTF) a dalších kódováních podporovaných Encodingv tématu Kódování znaků v .NET.
Encoding je určen pro práci se znaky Unicode namísto libovolných binárních dat, jako jsou pole bajtů. Pokud je nutné kódovat libovolná binární data do textu, měli byste použít protokol, jako je uuencode, který je implementován metodami, jako Convert.ToBase64CharArrayje .
.NET poskytuje následující implementace Encoding třídy pro podporu aktuální kódování Unicode a dalších kódování:
ASCIIEncoding Kóduje znaky Unicode jako jednoduché 7bitové znaky ASCII. Toto kódování podporuje pouze hodnoty znaků mezi U+0000 a U+007F. Znaková stránka 20127. K dispozici také prostřednictvím ASCII vlastnosti.
UTF7Encoding kóduje znaky Unicode pomocí kódování UTF-7. Toto kódování podporuje všechny hodnoty znaků Unicode. Znaková stránka 65000. K dispozici také prostřednictvím UTF7 vlastnosti.
UTF8Encoding kóduje znaky Unicode pomocí kódování UTF-8. Toto kódování podporuje všechny hodnoty znaků Unicode. Znaková stránka 65001. K dispozici také prostřednictvím UTF8 vlastnosti.
UnicodeEncoding kóduje znaky Unicode pomocí kódování UTF-16. Podporují se malé endianové i velké bajtové příkazy. K dispozici je také prostřednictvím Unicode vlastnosti a BigEndianUnicode vlastnosti.
UTF32Encoding kóduje znaky Unicode pomocí kódování UTF-32. Podporují se jak malé endian (kódová stránka 12000), tak objednávky velkých endianů (kódová stránka 12001). K dispozici také prostřednictvím UTF32 vlastnosti.
Třída Encoding je primárně určena k převodu mezi různými kódováními a kódováním Unicode. Jednou z odvozených tříd Unicode je často správná volba pro vaši aplikaci.
Použijte metodu GetEncoding k získání dalších kódování a volání GetEncodings metody získat seznam všech kódování.
Seznam kódování
Následující tabulka uvádí kódování podporovaná rozhraním .NET. Vypíše číslo znakové stránky každého kódování a hodnoty kódování EncodingInfo.Name a EncodingInfo.DisplayName vlastností. Značka zaškrtnutí ve sloupci podpory rozhraní .NET Framework, podpora .NET Core nebo .NET 5 a novější označuje, že tato implementace .NET nativně podporuje znakovou stránku bez ohledu na podkladovou platformu. Dostupnost jiných kódování uvedených v tabulce v rozhraní .NET Framework závisí na operačním systému. Pro .NET Core a .NET 5 a novější verze jsou k dispozici další kódování pomocí System.Text.CodePagesEncodingProvider třídy nebo odvozením z System.Text.EncodingProvider třídy.
Poznámka:
Kódové stránky, jejichž EncodingInfo.Name vlastnost odpovídá mezinárodnímu standardu, nemusí být nutně v plném souladu s tímto standardem.
| Znaková stránka | Název | Zobrazované jméno | Podpora rozhraní .NET Framework | Podpora .NET Core | Podpora .NET 5 a novějších verzí |
|---|---|---|---|---|---|
| 37 | IBM037 | IBM EBCDIC (USA–Kanada) | |||
| 437 | IBM437 | USA OEM | |||
| 500 | IBM500 | IBM EBCDIC (Mezinárodní) | |||
| 708 | ASMO-708 | Arabština (ASMO 708) | |||
| 720 | DOS-720 | Arabština (DOS) | |||
| 737 | ibm737 | Řečtina (DOS) | |||
| 775 | ibm775 | Baltský (DOS) | |||
| 850 | ibm850 | Západní Evropa (DOS) | |||
| 852 | ibm852 | Střední Evropa (DOS) | |||
| 855 | IBM855 | Cyrilice OEM | |||
| 857 | ibm857 | Turečtina (DOS) | |||
| 858 | IBM00858 | OEM – vícejazyčná latinka I | |||
| 860 | IBM860 | Portugalština (DOS) | |||
| 861 | ibm861 | Islandština (DOS) | |||
| 862 | DOS-862 | Hebrejština (DOS) | |||
| 863 | IBM863 | Francouzština Kanadská (DOS) | |||
| 864 | IBM864 | Arabština (864) | |||
| 865 | IBM865 | Nordic (DOS) | |||
| 866 | cp866 | Cyrilice (DOS) | |||
| 869 | ibm869 | Řečtina, moderní (DOS) | |||
| 870 | IBM870 | IBM EBCDIC (vícejazyčná latinka-2) | |||
| 874 | windows-874 | Thajština (Windows) | |||
| 875 | cp875 | IBM EBCDIC (řecky moderní) | |||
| 932 | shift_jis | Japonština (Shift-JIS) | |||
| 936 | gb2312 | Zjednodušená čínština (GB2312) | ✓ | ||
| 949 | ks_c_5601-1987 | Korejština | |||
| 950 | big5 | Tradiční čínština (Big5) | |||
| 1026 | IBM1026 | IBM EBCDIC (turečtina latinka-5) | |||
| 1047 | IBM01047 | IBM Latin-1 | |||
| 1140 | IBM01140 | IBM EBCDIC (US-Canada-Euro) | |||
| 1141 | IBM01141 | IBM EBCDIC (Německo-Euro) | |||
| 1142 | IBM01142 | IBM EBCDIC (Dánsko-Norsko-Euro) | |||
| 1143 | IBM01143 | IBM EBCDIC (Finsko-Švédsko-Euro) | |||
| 1144 | IBM01144 | IBM EBCDIC (Itálie-Euro) | |||
| 1145 | IBM01145 | IBM EBCDIC (Španělsko-Euro) | |||
| 1146 | IBM01146 | IBM EBCDIC (UK-Euro) | |||
| 1147 | IBM01147 | IBM EBCDIC (Francie-Euro) | |||
| 1148 | IBM01148 | IBM EBCDIC (International-Euro) | |||
| 1149 | IBM01149 | IBM EBCDIC (islandský-euro) | |||
| 1200 | utf-16 | Unicode | ✓ | ✓ | ✓ |
| 1201 | UnicodeFFFE | Unicode (big endian) | ✓ | ✓ | ✓ |
| 1250 | windows-1250 | Středoevropská (Windows) | |||
| 1251 | windows-1251 | Cyrilice (Windows) | |||
| 1252 | Windows-1252 | Západní Evropa (Windows) | ✓ | ||
| 1253 | windows-1253 | Řečtina (Windows) | |||
| 1254 | windows-1254 | Turečtina (Windows) | |||
| 1 255 | windows-1255 | Hebrejština (Windows) | |||
| 1256 | windows-1256 | Arabština (Windows) | |||
| 1257 | windows-1257 | Baltic (Windows) | |||
| 1258 | windows-1258 | Vietnamština (Windows) | |||
| 1361 | Johab | Korejština (Johab) | |||
| 10000 | Macintosh | Západní Evropa (Mac) | |||
| 10001 | x-mac-japanese | Japonština (Mac) | |||
| 10002 | x-mac-chinesetrad | Tradiční čínština (Mac) | |||
| 10003 | x-mac-korean | Korejština (Mac) | ✓ | ||
| 10004 | x-mac-arabic | Arabština (Mac) | |||
| 10005 | x-mac-hebrejština | Hebrejština (Mac) | |||
| 10006 | x-mac-greek | Řečtina (Mac) | |||
| 10007 | x-mac-cyrilice | Cyrilice (Mac) | |||
| 10008 | x-mac-chinesesimp | Zjednodušená čínština (Mac) | ✓ | ||
| 10010 | x-mac-rumunština | Rumunština (Mac) | |||
| 10017 | x-mac-ukrajinština | Ukrajinština (Mac) | |||
| 10021 | x-mac-thai | Thajština (Mac) | |||
| 10029 | x-mac-ce | Středoevropská (Mac) | |||
| 10079 | x-mac-islandic | Islandština (Mac) | |||
| 10081 | x-mac-turečtina | Turečtina (Mac) | |||
| 10082 | x-mac-chorvatština | Chorvatština (Mac) | |||
| 12000 | utf-32 | Unicode (UTF-32) | ✓ | ✓ | ✓ |
| 12001 | utf-32BE | Unicode (UTF-32 Big endian) | ✓ | ✓ | ✓ |
| 20 000 | x-Chinese-CNS | Tradiční čínština (CNS) | |||
| 20001 | x-cp20001 | TCA Taiwan | |||
| 20002 | x-Chinese-Eten | Tradiční čínština (Eten) | |||
| 20003 | x-cp20003 | IBM5550 Tchaj-wan | |||
| 20004 | x-cp20004 | TeleText Taiwan | |||
| 20005 | x-cp20005 | Wang Taiwan | |||
| 20105 | x-IA5 | Západní Evropa (IA5) | |||
| 20106 | x-IA5-German | Němčina (IA5) | |||
| 20107 | x-IA5-Švédština | Švédština (IA5) | |||
| 20108 | x-IA5-Norština | Norština (IA5) | |||
| 20127 | us-ascii | US-ASCII | ✓ | ✓ | ✓ |
| 20261 | x-cp20261 | T.61 | |||
| 20269 | x-cp20269 | ISO-6937 | |||
| 20273 | IBM273 | IBM EBCDIC (Německo) | |||
| 20277 | IBM277 | IBM EBCDIC (Dánsko-Norsko) | |||
| 20278 | IBM278 | IBM EBCDIC (Finsko–Švédsko) | |||
| 20280 | IBM280 | IBM EBCDIC (Itálie) | |||
| 20284 | IBM284 | IBM EBCDIC (Španělsko) | |||
| 20285 | IBM285 | IBM EBCDIC (UK) | |||
| 20290 | IBM290 | IBM EBCDIC (japonská katakana) | |||
| 20297 | IBM297 | IBM EBCDIC (Francie) | |||
| 20420 | IBM420 | IBM EBCDIC (arabština) | |||
| 20423 | IBM423 | IBM EBCDIC (řečtina) | |||
| 20424 | IBM424 | IBM EBCDIC (hebrejština) | |||
| 20833 | x-EBCDIC-KoreanExtended | IBM EBCDIC (korejština rozšířená) | |||
| 20838 | IBM-Thai | IBM EBCDIC (thajština) | |||
| 20866 | koi8-r | Cyrilice (KOI8-R) | |||
| 20871 | IBM871 | IBM EBCDIC (Islandština) | |||
| 20880 | IBM880 | IBM EBCDIC (cyrilice ruská) | |||
| 20905 | IBM905 | IBM EBCDIC (turečtina) | |||
| 20924 | IBM00924 | IBM Latin-1 | |||
| 20932 | EUC-JP | Japonština (JIS 0208-1990 a 0212-1990) | |||
| 20936 | x-cp20936 | Zjednodušená čínština (GB2312-80) | ✓ | ||
| 20949 | x-cp20949 | Korejština Wansung | ✓ | ||
| 21025 | cp1025 | IBM EBCDIC (cyrilice srbština-bulharština) | |||
| 21866 | koi8-u | Cyrilice (KOI8-U) | |||
| 28591 | iso-8859-1 | Západní Evropa (ISO) | ✓ | ✓ | ✓ |
| 28592 | iso-8859-2 | Středoevropská (ISO) | |||
| 28593 | iso-8859-3 | Latinka 3 (ISO) | |||
| 28594 | iso-8859-4 | Baltské moře (ISO) | |||
| 28595 | iso-8859-5 | Cyrilice (ISO) | |||
| 28596 | iso-8859-6 | Arabština (ISO) | |||
| 28597 | iso-8859-7 | Řečtina (ISO) | |||
| 28598 | iso-8859-8 | Hebrejština (ISO-Visual) | ✓ | ||
| 28599 | iso-8859-9 | Turečtina (ISO) | |||
| 28603 | iso-8859-13 | Estonština (ISO) | |||
| 28605 | iso-8859-15 | Latin 9 (ISO) | |||
| 29001 | x-Europa | Evropa | |||
| 38598 | iso-8859-8-i | Hebrejština (ISO-Logical) | ✓ | ||
| 50220 | iso-2022-jp | Japonština (JIS) | ✓ | ||
| 50221 | csISO2022JP | Japonština (JIS– Povolit 1 bajt Kana) | ✓ | ||
| 50222 | iso-2022-jp | Japonština (JIS-Allow 1 bajt Kana - SO/SI) | ✓ | ||
| 50225 | iso-2022-kr | Korejština (ISO) | ✓ | ||
| 50227 | x-cp50227 | Zjednodušená čínština (ISO-2022) | ✓ | ||
| 51932 | euc-jp | Japonština (EUC) | ✓ | ||
| 51936 | EUC-CN | Zjednodušená čínština (EUC) | ✓ | ||
| 51949 | euc-kr | Korejština (EUC) | ✓ | ||
| 52936 | Hz-gb-2312 | Zjednodušená čínština (HZ) | ✓ | ||
| 54936 | GB18030 | Zjednodušená čínština (GB18030) | ✓ | ||
| 57002 | x-iscii-de | ISCII Devanagari | ✓ | ||
| 57003 | x-iscii-be | ISCII Bengali | ✓ | ||
| 57004 | x-iscii-ta | Tamilština ISCII | ✓ | ||
| 57005 | x-iscii-te | ISCII Telugu | ✓ | ||
| 57006 | x-iscii-as | ISCII Assamese | ✓ | ||
| 57007 | x-iscii-or | ISCII Oriya | ✓ | ||
| 57008 | x-iscii-ka | ISCII Kannada | ✓ | ||
| 57009 | x-iscii-ma | ISCII Malayalam | ✓ | ||
| 57010 | x-iscii-gu | ISCII Gujarati | ✓ | ||
| 57011 | x-iscii-pa | ISCII Punjabi | ✓ | ||
| 65000 | utf-7 | Unicode (UTF-7) | ✓ | ✓ | |
| 65001 | utf-8 | Unicode (UTF-8) | ✓ | ✓ | ✓ |
Následující příklad volá GetEncoding(Int32) a GetEncoding(String) metody pro získání kódování znakové stránky řečtiny (Windows). Porovná Encoding objekty vrácené voláním metody, aby ukázaly, že jsou stejné, a pak mapuje znak Unicode a odpovídající hodnotu znakové stránky pro každý znak v řecké abecedě.
using System;
using System.Text;
public class Example
{
public static void Main()
{
Encoding enc = Encoding.GetEncoding(1253);
Encoding altEnc = Encoding.GetEncoding("windows-1253");
Console.WriteLine("{0} = Code Page {1}: {2}", enc.EncodingName,
altEnc.CodePage, enc.Equals(altEnc));
string greekAlphabet = "Α α Β β Γ γ Δ δ Ε ε Ζ ζ Η η " +
"Θ θ Ι ι Κ κ Λ λ Μ μ Ν ν Ξ ξ " +
"Ο ο Π π Ρ ρ Σ σ ς Τ τ Υ υ " +
"Φ φ Χ χ Ψ ψ Ω ω";
Console.OutputEncoding = Encoding.UTF8;
byte[] bytes = enc.GetBytes(greekAlphabet);
Console.WriteLine("{0,-12} {1,20} {2,20:X2}", "Character",
"Unicode Code Point", "Code Page 1253");
for (int ctr = 0; ctr < bytes.Length; ctr++) {
if (greekAlphabet[ctr].Equals(' '))
continue;
Console.WriteLine("{0,-12} {1,20} {2,20:X2}", greekAlphabet[ctr],
GetCodePoint(greekAlphabet[ctr]), bytes[ctr]);
}
}
private static string GetCodePoint(char ch)
{
string retVal = "u+";
byte[] bytes = Encoding.Unicode.GetBytes(ch.ToString());
for (int ctr = bytes.Length - 1; ctr >= 0; ctr--)
retVal += bytes[ctr].ToString("X2");
return retVal;
}
}
// The example displays the following output:
// Character Unicode Code Point Code Page 1253
// Α u+0391 C1
// α u+03B1 E1
// Β u+0392 C2
// β u+03B2 E2
// Γ u+0393 C3
// γ u+03B3 E3
// Δ u+0394 C4
// δ u+03B4 E4
// Ε u+0395 C5
// ε u+03B5 E5
// Ζ u+0396 C6
// ζ u+03B6 E6
// Η u+0397 C7
// η u+03B7 E7
// Θ u+0398 C8
// θ u+03B8 E8
// Ι u+0399 C9
// ι u+03B9 E9
// Κ u+039A CA
// κ u+03BA EA
// Λ u+039B CB
// λ u+03BB EB
// Μ u+039C CC
// μ u+03BC EC
// Ν u+039D CD
// ν u+03BD ED
// Ξ u+039E CE
// ξ u+03BE EE
// Ο u+039F CF
// ο u+03BF EF
// Π u+03A0 D0
// π u+03C0 F0
// Ρ u+03A1 D1
// ρ u+03C1 F1
// Σ u+03A3 D3
// σ u+03C3 F3
// ς u+03C2 F2
// Τ u+03A4 D4
// τ u+03C4 F4
// Υ u+03A5 D5
// υ u+03C5 F5
// Φ u+03A6 D6
// φ u+03C6 F6
// Χ u+03A7 D7
// χ u+03C7 F7
// Ψ u+03A8 D8
// ψ u+03C8 F8
// Ω u+03A9 D9
// ω u+03C9 F9
Imports System.Text
Module Example
Public Sub Main()
Dim enc As Encoding = Encoding.GetEncoding(1253)
Dim altEnc As Encoding = Encoding.GetEncoding("windows-1253")
Console.WriteLine("{0} = Code Page {1}: {2}", enc.EncodingName,
altEnc.CodePage, enc.Equals(altEnc))
Dim greekAlphabet As String = "Α α Β β Γ γ Δ δ Ε ε Ζ ζ Η η " +
"Θ θ Ι ι Κ κ Λ λ Μ μ Ν ν Ξ ξ " +
"Ο ο Π π Ρ ρ Σ σ ς Τ τ Υ υ " +
"Φ φ Χ χ Ψ ψ Ω ω"
Console.OutputEncoding = Encoding.UTF8
Dim bytes() As Byte = enc.GetBytes(greekAlphabet)
Console.WriteLine("{0,-12} {1,20} {2,20:X2}", "Character",
"Unicode Code Point", "Code Page 1253")
For ctr As Integer = 0 To bytes.Length - 1
If greekAlphabet(ctr).Equals(" "c) Then Continue For
Console.WriteLine("{0,-12} {1,20} {2,20:X2}", greekAlphabet(ctr),
GetCodePoint(greekAlphabet(ctr)), bytes(ctr))
Next
End Sub
Private Function GetCodePoint(ch As String) As String
Dim retVal As String = "u+"
Dim bytes() As Byte = Encoding.Unicode.GetBytes(ch)
For ctr As Integer = bytes.Length - 1 To 0 Step -1
retVal += bytes(ctr).ToString("X2")
Next
Return retVal
End Function
End Module
' The example displays the following output:
' Character Unicode Code Point Code Page 1253
' Α u+0391 C1
' α u+03B1 E1
' Β u+0392 C2
' β u+03B2 E2
' Γ u+0393 C3
' γ u+03B3 E3
' Δ u+0394 C4
' δ u+03B4 E4
' Ε u+0395 C5
' ε u+03B5 E5
' Ζ u+0396 C6
' ζ u+03B6 E6
' Η u+0397 C7
' η u+03B7 E7
' Θ u+0398 C8
' θ u+03B8 E8
' Ι u+0399 C9
' ι u+03B9 E9
' Κ u+039A CA
' κ u+03BA EA
' Λ u+039B CB
' λ u+03BB EB
' Μ u+039C CC
' μ u+03BC EC
' Ν u+039D CD
' ν u+03BD ED
' Ξ u+039E CE
' ξ u+03BE EE
' Ο u+039F CF
' ο u+03BF EF
' Π u+03A0 D0
' π u+03C0 F0
' Ρ u+03A1 D1
' ρ u+03C1 F1
' Σ u+03A3 D3
' σ u+03C3 F3
' ς u+03C2 F2
' Τ u+03A4 D4
' τ u+03C4 F4
' Υ u+03A5 D5
' υ u+03C5 F5
' Φ u+03A6 D6
' φ u+03C6 F6
' Χ u+03A7 D7
' χ u+03C7 F7
' Ψ u+03A8 D8
' ψ u+03C8 F8
' Ω u+03A9 D9
' ω u+03C9 F9
Pokud jsou data, která se mají převést, k dispozici pouze v sekvenčních blocích (jako jsou data načtená z datového proudu) nebo pokud je množství dat tak velké, že je potřeba je rozdělit na menší bloky, měli byste použít Decoder metodu GetDecoder nebo Encoder metodu odvozené třídy nebo GetEncoder metodu.
Kodéry UTF-16 a UTF-32 můžou používat pořadí velkých bajtů endianu (nejvýznamnější bajt první) nebo malé pořadí bajtů endianu (nejméně významné bajty jako první). Například velké písmeno latinky A (U+0041) se serializuje takto (v šestnáctkovém formátu):
- UTF-16 big endian byte order: 00 41
- UTF-16 little endian byte order: 41 00
- UTF-32 big endian byte pořadí: 00 00 00 00 41
- UTF-32 little endian byte order: 41 00 00 00
Obecně je efektivnější ukládat znaky Unicode pomocí nativního pořadí bajtů. Například je lepší použít malé endian bajtové pořadí na malých endian platformách, jako jsou počítače Intel.
Metoda GetPreamble načte pole bajtů, které zahrnuje značku pořadí bajtů (BOM). Pokud je toto pole bajtů předponou zakódovaného datového proudu, pomáhá dekodéru identifikovat použitý formát kódování.
Další informace o pořadí bajtů a značce pořadí bajtů naleznete v tématu Standard Unicode na domovské stránce Unicode.
Všimněte si, že třídy kódování umožňují chyby:
- Bezobslužná změna na znak "?"
- Použijte znak "co nejlépe přizpůsobit".
- Změňte chování specifické pro aplikaci pomocí EncoderFallbackDecoderFallback a tříd s náhradním znakem U+FFFD Unicode.
U všech chyb datového streamu byste měli vyvolat výjimku. Aplikace buď používá příznak throwonerror, pokud je k dispozici, nebo používá EncoderExceptionFallbackDecoderExceptionFallback třídy. Nejvhodnější náhradní řešení se často nedoporučuje, protože může způsobit ztrátu nebo nejasnost dat a je pomalejší než jednoduché nahrazení znaků. Pro kódování ANSI je nejvhodnější chování výchozí.
