如何检索包含印地语文本的字符串中字符的 unicode 十进制表示？

Question

我在 c# 中使用 Visual Studio 2010 将文本转换为 Unicode。就像我有一个字符串 abc= "मेरा" 。 此字符串中有 4 个字符。我需要所有四个 unicode 字符。 请帮帮我。

Answer 1

当您编写像 string abc= "मेरा"; 这样的代码时，您已经将它作为 Unicode（特别是 UTF-16），因此您不必进行任何转换。如果你想访问单数字符，你可以使用普通索引来做到这一点：例如abc[1] 是 े（梵音元音符号 E）。

如果您想查看这些字符的数字表示，只需将它们转换为整数即可。例如

abc.Select(c => (int)c)

给出数字 2350、2375、2352、2366 的序列。如果您想查看这些数字的十六进制表示，请使用 ToString()：

abc.Select(c => ((int)c).ToString("x4"))

返回字符串序列“092e”、“0947”、“0930”、“093e”。

请注意，当我说数字表示时，我实际上是指使用 UTF-16 进行编码。对于Basic Multilingual Plane 中的字符，这与它们的Unicode 代码点相同。绝大多数使用的字符都位于 BMP 中，包括这里介绍的 4 个印地语字符。

如果你也想处理其他平面的字符，你可以使用如下代码。

byte[] bytes = Encoding.UTF32.GetBytes(abc);

int codePointCount = bytes.Length / 4;

int[] codePoints = new int[codePointCount];

for (int i = 0; i < codePointCount; i++)
    codePoints[i] = BitConverter.ToInt32(bytes, i * 4);

由于 UTF-32 直接编码所有（21 位）代码点，这将为您提供它们。 （也许有更直接的解决方案，但我还没有找到。）

Answer 2

如果您有字符串s = मेरा，那么您已经有了答案。

此字符串包含 BMP 中的四个代码点，在 UTF-16 中由 8 个字节表示。您可以使用s[i]、foreach 循环等按索引访问它们。

如果你想要底层的 8 个字节，你可以这样访问它们：

string str = @"मेरा";
byte[] arr = System.Text.UnicodeEncoding.GetBytes(str);

Answer 3

由于 .Net char 是一个 Unicode 字符（至少对于 BMP 代码点而言），您可以简单地枚举字符串中的所有字符：

var abc = "मेरा";

foreach (var c in abc)
{
    Console.WriteLine((int)c);
}

导致

2350
2375
2352
2366

Answer 4

如果您尝试将文件从旧编码转换为 Unicode：

读取文件，提供源文件的正确编码，然后使用所需的 Unicode 编码方案写入文件。

    using (StreamReader reader = new StreamReader(@"C:\MyFile.txt", Encoding.GetEncoding("ISCII")))
    using (StreamWriter writer = new StreamWriter(@"C:\MyConvertedFile.txt", false, Encoding.UTF8))
    {
        writer.Write(reader.ReadToEnd());
    }

如果您正在寻找梵文字符到 Unicode 代码点的映射：

您可以在Unicode Consortium 网站here 找到图表。

请注意，Unicode 代码点传统上是用十六进制编写的。所以代码点不是十进制数 2350，而是写为 U+092E，在代码表上显示为 092E。

Answer 5

使用

System.Text.Encoding.UTF8.GetBytes(abc)

这将返回您的 unicode 值。