Csharp/C#教程：基于字符集、字符编码与HTTP编码解码之万象详解分享

在日常编写代码过程中，常常会碰到乱码问题，一个典型的情况是浏览网页，如果网站开发者缺少经验，就会带来这种令人头疼的问题。要了解乱码的症结，我们就得从字符集和字符编码说起，先来看看它们到底是什么：
1：字符集：是一个系统支持的所有抽象字符的集合。字符是各种文字和符号的总称，包括各国家文字、标点符号、图形符号、数字等。
2：字符编码：是一套法则，最常规的理解就是：让程序根据这个法则对应到相应的字符集中将byte[]存取为string。
现在，我们要来看看这些东西在.NET中对应的是什么。

一：字符集和字符编码
如果想得到全部的字符集，则使用System.Text.Encoding.GetEncodings()方法，以下代码用于列出.Net支持的全部字符集：
代码如下:
foreach(variteminEncoding.GetEncodings())
{
   Console.WriteLine(item.Name);
}

字符串在进行如网络传输等场景时，要先转为byte[]。但是，首先，不同的字符编码规则，所转换生成的byte[]是不一样的。所以，再将byte[]转换回string的时候，要依据原先的字符编码规则。有如下几种情况能导致“乱码”的产生：
1：stringtobyte[]和byte[]tostring，使用了不同的字符编码规则；
2：byte[]tostring的时候，当前宿主环境没有对应的字符集；

示例：
代码如下:
stringoriginalString=”HelloTest,测试!”;
byte[]utf8Bytes=Encoding.UTF8.GetBytes(originalString);
stringutf8String=Encoding.UTF8.GetString(utf8Bytes);
stringerrorString=Encoding.ASCII.GetString(utf8Bytes);

观察Encoding类，实际上象上面UTF8这样的属性，只有几个，这些是最常用的字符集，要获取其它，如gb2312这样的字符集，则需要象如下这样来获得：
代码如下:
byte[]gbBytes=Encoding.GetEncoding(“gb2312”).GetBytes(originalString);
stringutf8String=Encoding.GetEncoding(“gb2312”).GetString(gbBytes);

二：典型应用场景之HttpWebResponse

很多人都作过页面抓取功能，HttpWebResponse就会比较熟悉，当然如果不嫌麻烦，也可以用Socket实现，但是同时要解析很多属性以及处理象重定向之类的诸多问题。
 

2.1httpheader和httpcontent是什么？
浏览一个网页，使用很多工具，或者使用.Net中的某些类进行抓取，都给我们结构化为Http头和正文这样的信息，其实，当我们发送一个请求，服务器返回给我们的是一串byte[]，我们完全可以自己去从这串byte[]解析出httpheader和httpcontent，它们之间其实仅仅非常简单的以两个/r/n/分割开而已，历史上有著名的CRLF攻击，CR就是r，LF就是n，就利用的是这个规则。

2.2我们如何察看httpheader，httpcontent？
其实很简单，既然这些都是byte[]，所以，我们只要知道这段byte[]正确的字符编码规则，就能得到我们所需要看到的html（html就是字符串而已）。使用HttpWebResponse这个类，就能请求一个url，该类自动为我们解析出了httpheader，有意思的是，它没有给我们解析出content，所以，我们需要自己完成正文的byte[]tostring。
 

2.3httpcontenttostring的具体做法
好的，实际上，httpheader 中已经告诉了我们一些字符集编码相关的信息，我们可能感兴趣，以及会混淆的这些http头如下：
代码如下:
Content-Type：WEB服务器告诉浏览器自己响应的对象的类型和字符集。例如：Content-Type:text/html;charset=’gb2312’；
Content-Encoding：WEB服务器表明自己使用了什么压缩方法（gzip，deflate）压缩响应中的对象。例如：Content-Encoding：gzip。这里我要多说一点，这个Content-Encoding的Httpheader会令人混淆，极度容易让人理解成是字符集或字符编码信息；

那么,这些Http头在HttpWebResponse中是怎么代表的呢?
代码如下:
HttpWebResponse.Content-Type对应的是Http头的Content-Type比如”text/html;”后的那个Charset，实际是和HttpWebResponse.Charaterset是一致的。但是如果前者无，则后者

一般会指定一个默认的HttpWebResponse.Charaterset，默认为”iso-8859-1″。
HttpWebResponse.ContentEncoding代表的是http头中Content-Encoding，与此类似的，还有一个http头，为Transfer-Encoding。注意，很恶心的一点是

HttpResponse.ContentEncoding跟HttpWebResponse.ContentEncoding代表的不是一个东西，它和HttpResponse.Charaterset在MSDN上是一致的解释。

根据上面的说法，似乎下面的代码就能得到httpcontent的字符编码规则：
代码如下:
returnEncoding.GetEncoding(
  string.IsNullOrEmpty(HttpWebResponse.Charaterset)?
“iso-8859-1”:HttpWebResponse.Charaterset

但是，这里有一个很重要的但是，如果你尝试从Http头或者HttpWebResponse所给我的这些字符编码信息或属性去解码正文content的话，很可能马上就会迎来一个大大的挫折。我们很可能会发现以下几个可悲的事实：
代码如下:
1：http头的Content-Type中没有charset信息；
2：HttpWebResponse.Charaterset是空的；
3：http头的Content-Type和HttpWebResponse.Charaterset是不一致的；
4：http头的Content-Type和HttpWebResponse.Charaterset是一致的，但是解码还是错的；
5：尝试用”iso-8859-1″解码也是错的。

2.4为什么还是有乱码问题？BOM能解决一切？

之所以碰到上述就是C#学习教程：基于字符集、字符编码与HTTP编码解码之万象详解分享的全部内容，如果对大家有所用处且需要了解更多关于C#学习教程，希望大家多多关注—计算机技术网（www.ctvol.com）