Clase System.Text.Encoding
En este artículo se proporcionan comentarios adicionales a la documentación de referencia de esta API.
La clase Encoding representa una codificación de caracteres.
Codificar es el proceso de transformar un conjunto de caracteres Unicode en una secuencia de bytes. En cambio, la descodificación es el proceso de transformar una secuencia de bytes codificados en un conjunto de caracteres Unicode. Para obtener información sobre los formatos de transformación Unicode (UTFs) y otras codificaciones admitidas por Encoding, vea Codificación de caracteres en .NET.
Encoding está diseñado para funcionar en caracteres Unicode en lugar de datos binarios arbitrarios, como matrices de bytes. Si debe codificar datos binarios arbitrarios en texto, debe usar un protocolo como uuencode, que se implementa mediante métodos como Convert.ToBase64CharArray.
.NET proporciona las siguientes implementaciones de la Encoding clase para admitir codificaciones Unicode actuales y otras codificaciones:
ASCIIEncoding codifica caracteres Unicode como caracteres ASCII de 7 bits únicos. Esta codificación solo admite valores de caracteres entre U+0000 y U+007F. Página de códigos 20127. También está disponible a través de la ASCII propiedad .
UTF7Encoding codifica caracteres Unicode mediante la codificación UTF-7. Esta codificación admite todos los valores de caracteres Unicode. Página de códigos 65000. También está disponible a través de la UTF7 propiedad .
UTF8Encoding codifica caracteres Unicode mediante la codificación UTF-8. Esta codificación admite todos los valores de caracteres Unicode. Página de códigos 65001. También está disponible a través de la UTF8 propiedad .
UnicodeEncoding codifica caracteres Unicode mediante la codificación UTF-16. Se admiten los pedidos de bytes little endian y big endian. También está disponible a través de la Unicode propiedad y la BigEndianUnicode propiedad .
UTF32Encoding codifica caracteres Unicode mediante la codificación UTF-32. Se admiten los pedidos de bytes little endian (página de códigos 12000) y big endian (página de códigos 12001). También está disponible a través de la UTF32 propiedad .
La Encoding clase está pensada principalmente para convertir entre diferentes codificaciones y Unicode. A menudo, una de las clases Unicode derivadas es la opción correcta para la aplicación.
Use el GetEncoding método para obtener otras codificaciones y llame al GetEncodings método para obtener una lista de todas las codificaciones.
Lista de codificaciones
En la tabla siguiente se enumeran las codificaciones admitidas por .NET. Enumera el número de página de códigos de cada codificación y los valores de las propiedades y EncodingInfo.DisplayName de la codificaciónEncodingInfo.Name. Una marca de verificación en la compatibilidad con .NET Framework, la compatibilidad con .NET Core o .NET 5 y versiones posteriores indica que la página de códigos es compatible de forma nativa con esa implementación de .NET, independientemente de la plataforma subyacente. Para .NET Framework, la disponibilidad de otras codificaciones enumeradas en la tabla depende del sistema operativo. Para .NET Core y .NET 5 y versiones posteriores, hay otras codificaciones disponibles mediante la System.Text.CodePagesEncodingProvider clase o derivando de la System.Text.EncodingProvider clase .
Nota:
Las páginas de códigos cuya EncodingInfo.Name propiedad corresponde a un estándar internacional no cumplen necesariamente con ese estándar.
| Página de códigos | Nombre | Nombre para mostrar | Compatibilidad con .NET Framework | Compatibilidad de .NET Core | Compatibilidad con .NET 5 y versiones posteriores |
|---|---|---|---|---|---|
| 37 | IBM037 | IBM EBCDIC (US-Canada) | |||
| 437 | IBM437 | Estados Unidos oem | |||
| 500 | IBM500 | IBM EBCDIC (Internacional) | |||
| 708 | ASMO-708 | Árabe (ASMO 708) | |||
| 720 | DOS-720 | Árabe (DOS) | |||
| 737 | ibm737 | Griego (DOS) | |||
| 775 | ibm775 | Báltico (DOS) | |||
| 850 | ibm850 | Europa occidental (DOS) | |||
| 852 | ibm852 | Europa Central (DOS) | |||
| 855 | IBM855 | Cirílico oem | |||
| 857 | ibm857 | Turco (DOS) | |||
| 858 | IBM00858 | OEM multilingüe I | |||
| 860 | IBM860 | Portugués (DOS) | |||
| 861 | ibm861 | Islandés (DOS) | |||
| 862 | DOS-862 | Hebreo (DOS) | |||
| 863 | IBM863 | Francés canadiense (DOS) | |||
| 864 | IBM864 | Árabe (864) | |||
| 865 | IBM865 | Nórdica (DOS) | |||
| 866 | cp866 | Cirílico (DOS) | |||
| 869 | ibm869 | Griego, Moderno (DOS) | |||
| 870 | IBM870 | IBM EBCDIC (Latin-2 multilingüe) | |||
| 874 | windows-874 | Tailandés (Windows) | |||
| 875 | cp875 | IBM EBCDIC (griego moderno) | |||
| 932 | shift_jis | Japonés (Shift-JIS) | |||
| 936 | gb2312 | Chino simplificado (GB2312) | ✓ | ||
| 949 | ks_c_5601-1987 | Coreano | |||
| 950 | big5 | Chino tradicional (Big5) | |||
| 1026 | IBM1026 | IBM EBCDIC (Turco Latino-5) | |||
| 1047 | IBM01047 | IBM Latin-1 | |||
| 1140 | IBM01140 | IBM EBCDIC (US-Canada-Euro) | |||
| 1141 | IBM01141 | IBM EBCDIC (Alemania-Euro) | |||
| 1142 | IBM01142 | IBM EBCDIC (Dinamarca-Noruega-Euro) | |||
| 1143 | IBM01143 | IBM EBCDIC (Finlandia-Suecia-Euro) | |||
| 1144 | IBM01144 | IBM EBCDIC (Italia-Euro) | |||
| 1145 | IBM01145 | IBM EBCDIC (España-Euro) | |||
| 1146 | IBM01146 | IBM EBCDIC (Uk-Euro) | |||
| 1147 | IBM01147 | IBM EBCDIC (Francia-Euro) | |||
| 1148 | IBM01148 | IBM EBCDIC (Internacional-Euro) | |||
| 1149 | IBM01149 | IBM EBCDIC (Islandia-Euro) | |||
| 1200 | utf-16 | Unicode | ✓ | ✓ | ✓ |
| 1201 | unicodeFFFE | Unicode (Big endian) | ✓ | ✓ | ✓ |
| 1250 | windows-1250 | Europa Central (Windows) | |||
| 1251 | windows-1251 | Cirílico (Windows) | |||
| 1252 | Windows-1252 | Europeo occidental (Windows) | ✓ | ||
| 1253 | windows-1253 | Griego (Windows) | |||
| 1254 | windows-1254 | Turco (Windows) | |||
| 1255 | windows-1255 | Hebreo (Windows) | |||
| 1256 | windows-1256 | Árabe (Windows) | |||
| 1257 | windows-1257 | Báltico (Windows) | |||
| 1258 | windows-1258 | Vietnamita (Windows) | |||
| 1361 | Johab | Coreano (Johab) | |||
| 10 000 | Macintosh | Europa occidental (Mac) | |||
| 10001 | x-mac-japanese | Japonés (Mac) | |||
| 10002 | x-mac-chinesetrad | Chino tradicional (Mac) | |||
| 10003 | x-mac-korean | Coreano (Mac) | ✓ | ||
| 10004 | x-mac-árabe | Árabe (Mac) | |||
| 10005 | x-mac-hebreo | Hebreo (Mac) | |||
| 10006 | x-mac-greek | Griego (Mac) | |||
| 10007 | x-mac-cyrillic | Cirílico (Mac) | |||
| 10008 | x-mac-chinesesimp | Chino simplificado (Mac) | ✓ | ||
| 10010 | x-mac-rumana | Rumano (Mac) | |||
| 10017 | x-mac-ucrania | Ucrania (Mac) | |||
| 10021 | x-mac-thai | Tailandés (Mac) | |||
| 10029 | x-mac-ce | Europa Central (Mac) | |||
| 10079 | x-mac-islandic | Islandés (Mac) | |||
| 10081 | x-mac-turkish | Turco (Mac) | |||
| 10082 | x-mac-croata | Croata (Mac) | |||
| 12000 | utf-32 | Unicode (UTF-32) | ✓ | ✓ | ✓ |
| 12001 | utf-32BE | Unicode (UTF-32 Big endian) | ✓ | ✓ | ✓ |
| 20000 | x-chinese-CNS | Chino tradicional (CNS) | |||
| 20001 | x-cp20001 | TCA Taiwán | |||
| 20002 | x-chinese-Eten | Chino tradicional (Eten) | |||
| 20003 | x-cp20003 | IBM5550 Taiwán | |||
| 20004 | x-cp20004 | Teletext Taiwán | |||
| 20005 | x-cp20005 | Wang Taiwán | |||
| 20105 | x-IA5 | Europa occidental (IA5) | |||
| 20106 | x-IA5-german | Alemán (IA5) | |||
| 20107 | x-IA5-sueco | Sueco (IA5) | |||
| 20108 | x-IA5-Noruego | Noruego (IA5) | |||
| 20127 | us-ascii | US-ASCII | ✓ | ✓ | ✓ |
| 20261 | x-cp20261 | T.61 | |||
| 20269 | x-cp20269 | ISO-6937 | |||
| 20273 | IBM273 | IBM EBCDIC (Alemania) | |||
| 20277 | IBM277 | IBM EBCDIC (Dinamarca-Noruega) | |||
| 20278 | IBM278 | IBM EBCDIC (Finlandia-Suecia) | |||
| 20280 | IBM280 | IBM EBCDIC (Italia) | |||
| 20284 | IBM284 | IBM EBCDIC (España) | |||
| 20285 | IBM285 | IBM EBCDIC (Reino Unido) | |||
| 20290 | IBM290 | IBM EBCDIC (katakana japonés) | |||
| 20297 | IBM297 | IBM EBCDIC (Francia) | |||
| 20420 | IBM420 | IBM EBCDIC (árabe) | |||
| 20423 | IBM423 | IBM EBCDIC (griego) | |||
| 20424 | IBM424 | IBM EBCDIC (hebreo) | |||
| 20833 | x-EBCDIC-KoreanExtended | IBM EBCDIC (coreano extendido) | |||
| 20838 | IBM-Thai | IBM EBCDIC (tailandés) | |||
| 20866 | koi8-r | Cirílico (KOI8-R) | |||
| 20871 | IBM871 | IBM EBCDIC (Islandés) | |||
| 20880 | IBM880 | IBM EBCDIC (cirílico ruso) | |||
| 20905 | IBM905 | IBM EBCDIC (turco) | |||
| 20924 | IBM00924 | IBM Latin-1 | |||
| 20932 | EUC-JP | Japonés (JIS 0208-1990 y 0212-1990) | |||
| 20936 | x-cp20936 | Chino simplificado (GB2312-80) | ✓ | ||
| 20949 | x-cp20949 | Wansung coreano | ✓ | ||
| 21025 | cp1025 | IBM EBCDIC (Cirílico Serbio-Búlgaro) | |||
| 21866 | koi8-u | Cirílico (KOI8-U) | |||
| 28591 | iso-8859-1 | Europa occidental (ISO) | ✓ | ✓ | ✓ |
| 28592 | iso-8859-2 | Europa Central (ISO) | |||
| 28593 | iso-8859-3 | Latin 3 (ISO) | |||
| 28594 | iso-8859-4 | Báltico (ISO) | |||
| 28595 | iso-8859-5 | Cirílico (ISO) | |||
| 28596 | iso-8859-6 | Árabe (ISO) | |||
| 28597 | iso-8859-7 | Griego (ISO) | |||
| 28598 | iso-8859-8 | Hebreo (ISO-Visual) | ✓ | ||
| 28599 | iso-8859-9 | Turco (ISO) | |||
| 28603 | iso-8859-13 | Estonio (ISO) | |||
| 28605 | iso-8859-15 | Latino 9 (ISO) | |||
| 29001 | x-Europa | Europa | |||
| 38598 | iso-8859-8-i | Hebreo (ISO-lógico) | ✓ | ||
| 50220 | iso-2022-jp | Japonés (JIS) | ✓ | ||
| 50221 | csISO2022JP | Japonés (JIS-Allow 1 byte Kana) | ✓ | ||
| 50222 | iso-2022-jp | Japonés (JIS-Allow 1 byte Kana - SO/SI) | ✓ | ||
| 50225 | iso-2022-kr | Coreano (ISO) | ✓ | ||
| 50227 | x-cp50227 | Chino simplificado (ISO-2022) | ✓ | ||
| 51932 | euc-jp | Japonés (EUC) | ✓ | ||
| 51936 | EUC-CN | Chino simplificado (EUC) | ✓ | ||
| 51949 | euc-kr | Coreano (EUC) | ✓ | ||
| 52936 | hz-gb-2312 | Chino simplificado (HZ) | ✓ | ||
| 54936 | GB18030 | Chino simplificado (GB18030) | ✓ | ||
| 57002 | x-iscii-de | ISCII Devanagari | ✓ | ||
| 57003 | x-iscii-be | ISCII Bengali | ✓ | ||
| 57004 | x-iscii-ta | ISCII Tamil | ✓ | ||
| 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) | ✓ | ✓ | ✓ |
En el ejemplo siguiente se llama a los GetEncoding(Int32) métodos y GetEncoding(String) para obtener la codificación de la página de códigos griega (Windows). Compara los Encoding objetos devueltos por las llamadas al método para mostrar que son iguales y, a continuación, asigna el punto de código Unicode y el valor de página de códigos correspondiente para cada carácter del alfabeto griego.
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
Si los datos que se van a convertir solo están disponibles en bloques secuenciales (como los datos leídos de una secuencia) o si la cantidad de datos es tan grande que debe dividirse en bloques más pequeños, debe usar o Decoder el Encoder proporcionado por el GetDecoder método o el GetEncoder método, respectivamente, de una clase derivada.
Los codificadores UTF-16 y UTF-32 pueden usar el orden de bytes big endian (primero el byte más significativo) o el orden de bytes poco endian (byte menos significativo primero). Por ejemplo, la letra mayúscula latina A (U+0041) se serializa de la siguiente manera (en hexadecimal):
- Orden de bytes de UTF-16 big endian: 00 41
- Orden de bytes de UTF-16 little endian: 41 00
- Orden de bytes de UTF-32 big endian: 00 00 00 41
- Orden de bytes de UTF-32 little endian: 41 00 00 00
Por lo general, es más eficaz almacenar caracteres Unicode mediante el orden de bytes nativo. Por ejemplo, es mejor usar el orden de bytes little endian en plataformas poco endian, como equipos Intel.
El GetPreamble método recupera una matriz de bytes que incluye la marca de orden de bytes (BOM). Si esta matriz de bytes tiene como prefijo una secuencia codificada, ayuda al descodificador a identificar el formato de codificación usado.
Para obtener más información sobre el orden de bytes y la marca de orden de bytes, vea El estándar Unicode en la página principal de Unicode.
Tenga en cuenta que las clases de codificación permiten que los errores:
- Cambie silenciosamente a un carácter "?".
- Usa un carácter de "mejor ajuste".
- Cambie a un comportamiento específico de la aplicación mediante el uso de las EncoderFallback clases y DecoderFallback con el carácter de reemplazo Unicode de U+FFFD.
Debe producir una excepción en cualquier error de flujo de datos. Una aplicación usa una marca "throwonerror" cuando sea aplicable o usa las EncoderExceptionFallback clases y DecoderExceptionFallback . A menudo no se recomienda la mejor reserva de ajuste, ya que puede causar pérdida de datos o confusión y es más lento que los reemplazos de caracteres simples. En el caso de las codificaciones ANSI, el mejor comportamiento de ajuste es el predeterminado.
Comentarios
Próximamente: A lo largo de 2024 iremos eliminando gradualmente GitHub Issues como mecanismo de comentarios sobre el contenido y lo sustituiremos por un nuevo sistema de comentarios. Para más información, vea: https://aka.ms/ContentUserFeedback.
Enviar y ver comentarios de