为什么这个字符串的长度比其中的字符数长？

小开

从 String.Length属性的文件:

Llength 属性返回此实例中夏尔对象的数目，而不是 Unicode 字符的数目。原因在于，一个 Unicode字符可能由不止一个 ABc0来代表。使用 System。全球化。 StringInfo类来处理每个 Unicode字符，而不是每个夏尔。

小开

这是因为 Length属性返回的是 Char 对象的编号，而不是 unicode 字符的编号。在您的示例中，一个 Unicode 字符由多个字符对象(SurrogatePair)表示。

属性返回此实例，而不是 Unicode 字符的数量。原因是 Unicode字符可以由多个字符表示 System.Globaly.StringInfo 类使用每个 Unicode 字符而不是每个字符。

小开

在 "A𠈓C"的索引1处的字符是代理机器人

要记住的关键点是代理项对表示 < strong > 32位单个字符。

您可以尝试这个代码，它将返回 True

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

IsSurrogatePair 方法(String，Int32)

如果 s 参数在位置包含 < strong > 相邻字符，则为 true Index 和 index + 1 ，以及位于位置索引的范围从 U + D800到 U + DBFF，以及数值位置索引 + 1处的字符值范围从 U + DC 00到 U + DFFF; 否则为 false。

这在绳子，长度属性中得到进一步解释:

属性返回 < strong > 数量的 Char 对象实例，而不是 Unicode 字符的数量。原因是 Unicode字符可以由多个字符表示 System.Globaly.StringInfo 类使用每个 Unicode 字符而不是每个字符。

小开

正如其他答案所指出的那样，即使有3个可见的字符，它们也是用4个 char对象来表示的。这就是为什么 Length是4而不是3。

MSDN 声明

属性返回此实例，而不是 Unicode 字符数。

但是，如果您真正想知道的是“ text 元素”的数量，而不是 Char对象的数量，那么您可以使用 StringInfo类。

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

您还可以像下面这样枚举每个文本元素

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

在字符串上使用 foreach将在两个 char对象中分割中间的“字母”，并且打印的结果将与字符串不对应。

小开

最佳答案

其他人都给出了表面上的答案，但还有一个更深层次的原理: “字符”的数量是一个难以定义的问题，计算起来可能会出人意料地昂贵，而长度属性应该是快速的。

为什么很难定义? 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，因此它返回的是两字节的数量)当然是相关的，因为计算机仍然需要处理这种形式的数据出于许多目的(例如，写入文件时，关心的是字节而不是字符)
Unicode 代码点的数量相当容易计算(尽管 O (n) ，因为您需要扫描字符串中的代理对) ，并且可能对文本编辑器很重要... ..。但实际上与屏幕上打印的字符数(称为字母数)是不一样的。例如，一些重音字母可以用两种形式表示: 一个单一的代码点，或两个点配对在一起，一个代表字母，一个说: “添加一个重音到我的合作伙伴的信”。这一对是两个角色还是一个？您可以通过规范化字符串来帮助解决这个问题，但是并非所有有效的字母都具有单一的代码点表示形式。
甚至字符串的数量也不等于打印出来的字符串的长度，这取决于字体和其他因素，而且因为有些字符打印出来的时候有很多重叠的字体(字距调整) ，所以一个字符串在屏幕上的长度并不一定等于字符串长度的总和！
有些 Unicode 点甚至不是传统意义上的字符，而是某种控制标记。比如字节顺序标记或从右到左的指示符。这些算吗？

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 时间和数据表。

而且，有什么意义呢？为什么这些指标很重要？只有你能回答这个问题，但就我个人而言，我觉得这些都无关紧要。我发现限制数据输入在逻辑上更多地是通过字节限制来实现的，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——如果消息的像素为100，那么字符的数量取决于字体等，而数据层软件无论如何也不知道这一点。最后，考虑到 unicode 标准的复杂性，如果您尝试其他方法，那么无论如何都可能在边缘情况下出现 bug。

因此，这是一个没有很多通用用途的难题。代码单元的数量计算起来很简单——它只是底层数据数组的长度——而且作为一个通用规则，它是最有意义/最有用的，只有一个简单的定义。

这就是为什么 b的长度 4超出了“因为文档是这么说的”的表面解释。

小开

正如其他人所说，它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。因为该值在16位字符类型的范围之外，所以它以 UTF-16编码为代理对 D840 DE13。

得到字符长度的方法在其他答案中也有提到。但是应该谨慎使用，因为在 Unicode 中有许多表示字符的方法。“ à”可以是1个合成字符或2个字符(a + 变音符)。可能需要像推特那样进行标准化。

你应该看看这个
绝对最低限度每个软件开发人员绝对，肯定必须知道 Unicode 和字符集(没有借口!)

小开

这是因为 length()仅适用于不大于 U+FFFF的 Unicode 代码点。这组代码点被称为基本多语言平面(BMP) ，只使用2个字节。

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

要正确计算字符数(3) ，请使用 StringInfo

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

小开

好了，进去。Net 和 C # 将所有字符串编码为 UTF-16LE。string以字符序列的形式存储。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看作是单个文本元素。如 UNICODE 标准附件 # 29 UNICODE 文本分段所述，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在这里发现的。

每个代码点需要编码成二进制的内部表示由计算机。如前所述，每个 char存储2字节。位于或低于 U+FFFF的代码点可以存储在单个 char中。U+FFFF上面的代码点存储为代理对，使用两个字符表示单个代码点。

根据我们现在所知道的我们可以推断，一个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，一些单个字符和代理对的组合。似乎这还不够复杂，一些文本元素可以用 UNICODE 标准附件 # 15，UNICODE 规范化表格描述的代码点的不同组合来表示。

插曲

因此，呈现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。对两个这样的字符串进行有序(逐字节)的比较将检测到差异，这可能是意外的或不希望的。

你可以重新编码。净字符串。使他们使用相同的标准化形式。一旦标准化，具有相同文本元素的两个字符串将以相同的方式进行编码。为此，请使用绳子，正常化函数。但是，请记住，一些不同的文本元素看起来相似。校对:-S

那么，这一切对于这个问题意味着什么呢？文本元素 '𠈓'由单个代码点 U + 20213中日韩统一表意文字扩展区B表示。这意味着不能将其编码为单个 char，而必须使用两个字符将其编码为代理项对。这就是为什么 string b比 string a长一个 char。

如果需要可靠地计算 string中的文本元素数(请参阅警告) ，则应使用像这样的 System.Globalization.StringInfo 类。

using System.Globalization;


string a = "abc";
string b = "A𠈓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"

不出所料。

注意

那个。在 StringInfo和 TextElementEnumerator类中 Unicode 文本分段的 Net 实现通常应该是有用的，并且在大多数情况下，将产生调用者所期望的响应。但是，如 Unicode 标准附件 # 29，“匹配用户感知的目标不能总是完全实现，因为文本本身并不总是包含足够的信息来明确地确定边界。”所述