.net - .NET 字符串的内部格式是什么？

Question

我在 C#.NET 中编写了一些漂亮的字符串操作密集型代码，并对我记得不久前读过的一些 Joel Spolsky 文章感到好奇：

http://www.joelonsoftware.com/articles/fog0000000319.html
http://www.joelonsoftware.com/articles/Unicode.html

那么，.NET 是如何做到的呢？每个字符两个字节？有一些 Unicode 字符^H^H^H^H^H 代码点需要更多。长度是如何编码的？

Answer 1

在 Jon Skeet 出现之前，有一个链接指向他关于C#字符串的优秀博客。

至少在当前实现中，字符串占用 20+(n/2)*4 个字节（将 n/2 的值向下舍入），其中 n 是字符串中的字符数。字符串类型的不寻常之处在于对象本身的大小不同

Answer 2

.NET 使用UTF-16。

从MSDN 上的 System.String：

“字符串中的每个 Unicode 字符由一个 Unicode 标量值定义，也称为 Unicode 码点或 Unicode 字符的序数（数字）值。每个码点使用 UTF-16 编码进行编码，每个码点的数值编码元素由 Char 对象表示。”

Answer 3

String 对象非常复杂，无法提供一个简短的示例并将给定的文本编码为字符串，将生成的内存内容显示为字节值序列。

String 对象将文本表示为一系列 UTF-16 代码单元。它是 System.Char 对象的顺序集合，每个对象对应一个 UTF-16 代码单元。单个 Char 对象通常表示单个代码点。一个代码点可能需要多个编码元素，即。多个 Char 对象（补充代码点（或代理对）和字素）。注意：UTF-16 是一种可变宽度编码。

字符串的长度作为 String 对象的属性存储在内存中。注意：String 对象可以包含嵌入的空字符，这些字符计为字符串长度的一部分（与 C 和 C++ 不同，空字符表示字符串的结尾，因此不必额外存储长度）。存储 Char 对象的内部字符数组实际上可以比字符串的长度长（分配策略的结果）。

如果您难以创建正确的编码来使用（因为您找不到任何名为 System.Text.Encoding.UTF16 的属性），则 UTF-16 实际上是 System.Text.Encoding.Unicode，如本示例中所使用的：

string unicodeString = "pi stands for \u03a0";
byte[] encoded = System.Text.Encoding.Unicode.GetBytes(unicodeString);

构造函数 Encoding.Unicode，没有任何参数，实际上是使用 little endian 字节顺序创建一个 UnicodeEncoding 对象。UnicodeEncoding 类（实现 UTF-16 编码）也能够处理大端（也支持字节顺序标记的处理）。英特尔平台的本机字节顺序是小端，因此 .NET（和 Windows）以这种格式存储 Unicode 字符串可能更有效。