.NET 字符串的内部格式是什么？答案

【问题标题】：What's the internal format of a .NET String?.NET 字符串的内部格式是什么？
【发布时间】：2010-11-04 08:54:34
【问题描述】：

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。以及长度是如何编码的？

【问题讨论】：

标签： .net string unicode internals

【解决方案1】：

在 Jon Skeet 出现之前，这里有一个指向他的 C# 中 excellent blog on strings 的链接。

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

【讨论】：

呸。真的没什么好说的了：）
它实际上不在我的博客上——它在我的文章网站上:) 我认为我应该协商某种代表共享方案。可怜可怜的博主/文章海报……
@Jon：别难过，我想还有几件事要说。 ;) 那篇文章的“内存使用”部分或多或少地回答了我的问题（加上关于过度分配的有趣花絮），但是长度是如何存储的？签名双字？无符号字？字节序？
鉴于 UTF-16 是可变长度的，我看不出该公式如何正确。不是有可能一个字符占用超过2个字节吗？

【解决方案2】：

.NET 使用UTF-16。

来自System.String on MSDN：

"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，数字编码的每个元素的值由一个 Char 对象表示。"

【讨论】：

【解决方案3】：

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 对象非常复杂。

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 是可变宽度编码。

字符串的长度作为字符串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），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，不带任何参数，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）也能够处理大端序（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。

【讨论】：