受欢迎的博客标签

【原创】Asp .Net Core 控制台中文乱码、读取中文文件乱码解决方案

Published

摘要:编程时出现乱码,原因都是存储时使用的中文编码和解析时使用的中文编码不一致导致的。

Table of Content

编码基础知识

vs code 打开Excel  vba 中文乱码原因及处理

基础知识

ASCII

很久很久以前,有一群人,他们决定用8个可以开合的晶体管来组合成不同的状态,以表示世界上的万物。他们看到8个开关状态是好的,于是他们把这称为”字节“。再后来,他们又做了一些可以处理这些字节的机器,机器开动了,可以用字节来组合出很多状态,状态开始变来变去。他们看到这样是好的,于是它们就这机器称为”计算机“。开始计算机只在美国用。八位的字节一共可以组合出256(2的8次方)种不同的状态。 他们把其中的编号从0开始的32种状态分别规定了特殊的用途,一但终端、打印机遇上约定好的这些字节被传过来时,就要做一些约定的动作。遇上0×10, 终端就换行,遇上0×07, 终端就向人们嘟嘟叫,例好遇上0x1b, 打印机就打印反白的字,或者终端就用彩色显示字母。他们看到这样很好,于是就把这些0×20以下的字节状态称为”控制码”。他们又把所有的空 格、标点符号、数字、大小写字母分别用连续的字节状态表示,一直编到了第127号,这样计算机就可以用不同字节来存储英语的文字了。大家看到这样,都感觉很好,于是大家都把这个方案叫做 ANSI 的”Ascii”编码(American Standard Code for Information Interchange,美国信息互换标准代码)。当时世界上所有的计算机都用同样的ASCII方案来保存英文文字。

GB2312

后来,就像建造巴比伦塔一样,世界各地的都开始使用计算机,但是很多国家用的不是英文,他们的字母里有许多是ASCII里没有的,为了可以在计算机保存他们的文字,他们决定采用 127号之后的空位来表示这些新的字母、符号,还加入了很多画表格时需要用下到的横线、竖线、交叉等形状,一直把序号编到了最后一个状态255。从128 到255这一页的字符集被称”扩展字符集“。从此之后,贪婪的人类再没有新的状态可以用了,美帝国主义可能没有想到还有第三世界国家的人们也希望可以用到计算机吧!等中国人们得到计算机时,已经没有可以利用的字节状态来表示汉字,况且有6000多个常用汉字需要保存呢。

但是这难不倒智慧的中国人民,我们不客气地把那些127号之后的奇异符号们直接取消掉, 规定:一个小于127的字符的意义与原来相同,但两个大于127的字符连在一起时,就表示一个汉字,前面的一个字节(他称之为高字节)从0xA1用到 0xF7,后面一个字节(低字节)从0xA1到0xFE,这样我们就可以组合出大约7000多个简体汉字了。在这些编码里,我们还把数学符号、罗马希腊的字母、日文的假名们都编进去了,连在 ASCII 里本来就有的数字、标点、字母都统统重新编了两个字节长的编码,这就是常说的”全角”字符,而原来在127号以下的那些就叫”半角”字符了。 中国人民看到这样很不错,于是就把这种汉字方案叫做 “GB2312“。GB2312 是对 ASCII 的中文扩展。

GBK

但是中国的汉字太多了,我们很快就就发现有许多人的人名没有办法在这里打出来,特别是某些很会麻烦别人的国家领导人。于是我们不得不继续把 GB2312 没有用到的码位找出来老实不客气地用上。 后来还是不够用,于是干脆不再要求低字节一定是127号之后的内码,只要第一个字节是大于127就固定表示这是一个汉字的开始,不管后面跟的是不是扩展字符集里的内容。结果扩展之后的编码方案被称为 GBK 标准,GBK 包括了 GB2312 的所有内容,同时又增加了近20000个新的汉字(包括繁体字)和符号。 后来少数民族也要用电脑了,于是我们再扩展,又加了几千个新的少数民族的字,GBK 扩成了 GB18030。

从此之后,中华民族的文化就可以在计算机时代中传承了。 中国的程序员们看到这一系列汉字编码的标准是好的,于是通称他们叫做 “DBCS“(Double Byte Charecter Set 双字节字符集)。在DBCS系列标准里,最大的特点是两字节长的汉字字符和一字节长的英文字符并存于同一套编码方案里,因此他们写的程序为了支持中处理,必须要注意字串里的每一个字节的值,如果这个值是大于127的,那么就认为一个双字节字符集里的字符出现了。那时候凡是受过加持,会编程的计算机僧侣们都要每天念下面这个咒语数百遍: “一个汉字算两个英文字符!一个汉字算两个英文字符……”

因为当时各个国家都像中国这样搞出一套自己的编码标准,结果互相之间谁也不懂谁的编码,谁也不支持别人的编码,连大陆和台湾这样只相隔了150海里,使用着同一种语言的兄弟地区,也分别采用了不同的 DBCS 编码方案——当时的中国人想让电脑显示汉字,就必须装上一个”汉字系统”,专门用来处理汉字的显示、输入的问题,但是那个台湾的愚昧封建人士写的算命程序就必须加装另一套支持 BIG5 编码的什么”倚天汉字系统”才可以用,装错了字符系统,显示就会乱了套!这怎么办?而且世界民族之林中还有那些一时用不上电脑的穷苦人民,他们的文字又怎么办? 真是计算机的巴比伦塔命题啊!

UNICODE

正在这时,大天使加百列及时出现了,一个叫 ISO(国际标谁化组织)的国际组织决定着手解决这个问题。他们采用的方法很简单:废了所有的地区性编码方案,重新搞一个包括了地球上所有文化、所有字母和符号的编码!他们打算叫它”Universal Multiple-Octet Coded Character Set”,简称 UCS, 俗称 “unicode“。unicode开始制订时,计算机的存储器容量极大地发展了,空间再也不成为问题了。于是 ISO 就直接规定必须用两个字节,也就是16位来统一表示所有的字符,对于ASCII里的那些“半角”字符,unicode 包持其原编码不变,只是将其长度由原来的8位扩展为16位,而其他文化和语言的字符则全部重新统一编码。

由于”半角”英文符号只需要用到低8位,所以其高8位永远是0,因此这种大气的方案在保存英文文本时会多浪费一倍的空间。这时候,从旧社会里走过来的程序员开始发现一个奇怪的现象:他们的 strlen 函数靠不住了,一个汉字不再是相当于两个字符了,而是一个!是的,从 unicode 开始,无论是半角的英文字母,还是全角的汉字,它们都是统一的”一个字符“!同时,也都是统一的”两个字节“,请注意”字符”和”字节”两个术语的不同,“字节”是一个8位的物理存贮单元,而“字符”则是一个文化相关的符号。在 unicode 中,一个字符就是两个字节。一个汉字算两个英文字符的时代已经快过去了。

unicode 同样也不完美,这里就有两个的问题,一个是,如何才能区别 unicode 和 ASCII?计算机怎么知道三个字节表示一个符号,而不是分别表示三个符号呢?第二个问题是,我们已经知道,英文字母只用一个字节表示就够了,如果 unicode 统一规定,每个符号用三个或四个字节表示,那么每个英文字母前都必然有二到三个字节是0,这对于存储空间来说是极大的浪费,文本文件的大小会因此大出二三倍,这是难以接受的。

UTF-8

unicode 在很长一段时间内无法推广,直到互联网的出现,为解决 unicode 如何在网络上传输的问题,于是面向传输的众多 UTF(UCS Transfer Format)标准出现了,顾名思义,UTF-8就是每次8个位传输数据,而 UTF-16 就是每次16个位。UTF-8就是在互联网上使用最广的一种 unicode 的实现方式,这是为传输而设计的编码,并使编码无国界,这样就可以显示全世界上所有文化的字符了。UTF-8 最大的一个特点,就是它是一种变长的编码方式。它可以使用1~4个字节表示一个符号,根据不同的符号而变化字节长度,当字符在 ASCII 码的范围时,就用一个字节表示,保留了 ASCII 字符一个字节的编码做为它的一部分,注意的是 unicode 一个中文字符占2个字节,而UTF-8一个中文字符占3个字节)。从 unicode 到 uft-8 并不是直接的对应,而是要过一些算法和规则来转换。

一、中文乱码问题的原理分析

  在计算机中,只有二进制的数据,不管数据是在内存中,还是在外部存储设备上。对于我们所看到的字符,也是以二进制数据的形式存在的。不同的字符对应二进制的规则就是字符编码。字符编码的集合称为字符集。

举例说明一下:

“汉”字如果用Unicode编码存储,则为0x6C49,二进制是:0110 1100 0100 001;“汉”字如果用utf8编码存储,则为0xe6b189,二进制是:11100110 10110001 10001001。

汉      Unicode        utf8

        0x6c49         0xe6b189

如果读出时用了和存储时不同的编码,读取的字节数不对,中文就乱码了。

来个实际场景了解一下:

用vs添加的ReadMe.txt提交到github上,在github显示的中文是乱码,如下:

 ReadMe.txt

�޸ļ�¼
����������������Ӧ���������ʱע�͵�
修改记录
连接行情服务器无响应,出错,需临时注释掉
int WINAPI	Stock_Init_Nodialog(HWND hWnd,UINT Msg,int nWorkMode,

首先你要知道是:github.com是采用utf-8编码格式的,我们需要先检查本地ReadMe.txt村粗的编码格式。

用记事本打开ReadMe.txt文件

原因找到了,vs将ReadMe.txt用ANSI编码格式存储,github.com用utf-8解析,出现乱码。

解决方案:

用记事本NotePad.exe 打开文件,文件字符集选用UTF8格式,保存。

再上传,结果如下:

-�޸ļ�¼
-����������������Ӧ���������ʱע�͵�
+修改记录
+连接行情服务器无响应,出错,需临时注释掉
int WINAPI	Stock_Init_Nodialog(HWND hWnd,UINT Msg,int nWorkMode,

 

二、各种乱码场景及解决方案

1.中文发生乱码的地方

1.1 中文控制台乱码

1.2 网页中直接硬编码写的中文显示时乱码

1.3  网页中输出的中文显示时乱码

1.4 读出二进制文件中文数据显示时乱码

 

2.乱码发生的原因分析

 

2.2  网页中直接写的中文显示时乱码

2.2.1 网页本身的存储编码格式错误

场景:在用.net core 3.0开发Blazor程序时,发现在NavMenu.razor直接写的中文,显示出来是乱码。

原因:NavMenu.razor要经过编译,那么错误会发生在编译部分,说明编译器没有正确识别NavMenu.razor直接写的中文。错误发生的原因,在于cshtml存储时编码格式不对。导致编译器无法正确识别出中文字符。因为用vs新建控制器和cshtml时,存储的文件的格式为Ansi编码,用记事本打开时可以看到文件的编码。要编译正确,存储的文件的格式应该为utf-8编码。所以,应以中文的编码格式utf-8存储文件。

解决办法:

打开记事本,用记事本打开NavMenu.razor、cshtml文件,另存为utf-8格式即可解决。

 

2.2.2 网页中<title>标签乱码,,keywords description 都正常,只有title乱码

原因解析:

charset声明声明当前文档所使用的字符编码,但该声明可以被任何一个元素的lang特性的值覆盖。文档的编码一定要与文件本身的编码保持一致,否则会出现乱码,一般使用UTF-8编码

字符编码必须写在<head>元素的最开始,如果位于<title>标签之后,那么<title>标签很可能会乱码

2.2.3 网页输出没有指定字符集编码格式

网页乱码的原因也是因为程序没有指定编码默认使用Unicode,而中文环境浏览器默认使用gbk。可以通过设置ContentType来告诉浏览器使用utf8.
在await context.Response.WriteAsync("您好,北京欢迎你");前面加上:
context.Response.ContentType = "text/plain;charset=utf-8";

 

读出的中文数据显示时乱码

1、引入System.Text.Encoding.CodePages

<Project Sdk="Microsoft.NET.Sdk">

<PropertyGroup>

<TargetFramework>netstandard2.0</TargetFramework>

</PropertyGroup>

<ItemGroup>

<PackageReference Include="System.Text.Encoding.CodePages" Version="4.3.0" />

</ItemGroup>

<ItemGroup>

<ProjectReference Include="..\..\Stockso.Core\Stockso.Core.csproj" />

</ItemGroup>

</Project>

2、在读取前注册实例

  Encoding.RegisterProvider(CodePagesEncodingProvider.Instance);

3. 读取时指定编码格式

StreamReader sr = new StreamReader(datafile, System.Text.Encoding.GetEncoding("GB2312"));

using System.Text;

STKInfo record = new STKInfo();

                //解决读取的股票名称乱码问题 20170728
                Encoding.RegisterProvider(CodePagesEncodingProvider.Instance);
   record.StockName = System.Text.Encoding.GetEncoding("GB2312").GetString(br.ReadBytes(Convert.ToInt32(32))).Replace("\0", "");
             

更正: 乱码的原因

20170507更新:直接应用System.text就可以了。 控制台乱码的原因是因为中文windows命令行默认编码页是gb2312,想输出中文只要把控制台的编码页修改成Unicode就可以了。
在cmd里输入chcp 65001再运行程序或者在程序里加一行
Console.OutputEncoding = Encoding.Unicode;


只是显示中文的话没有特殊需求的情况下并不需要引用System.Text.Encoding.CodePages  

  public static void Main(string[] args)     

   {         

   Console.OutputEncoding = System.Text.Encoding.UTF8;//第一种方式:指定编码          

  //Encoding.RegisterProvider(CodePagesEncodingProvider.Instance);//第二种方式                        Console.Read();

中文控制台乱码

 

今天写了一个简单的.NET Core 控制台程序,发现中文显示一直是乱码。查看操作系统设置,没有问题;查看源文件编码,也没有问题;甚至查看了Console字符编码相关的注册表,依然没有发现问题。难道NET Core连一些常用的编码都不支持吗?

现在给大家重现这个问题,通过VS 2015创建一个.NET Core控制台程序。

 

我们在Main方法中只编写了如下几行行程序,将输入的字符串直接打印出来。

   1: using System;
   2:  
   3: namespace App
   4: {
   5:     public class Program
   6:     {
   7:         public static void Main(string[] args)
   8:         {
   9:             while (true)
  10:             {
  11:                 Console.WriteLine(Console.ReadLine());
  12:             }
  13:         }
  14:     }
  15: }

运行程序并分别输入中文和英文,我们会发现输入的中文显示为乱码。

 

为了进一步证明.NET Core对编码的局限,我们按照如下的方式调用Encoding的GetEncoding方法分别获取两种中文编码:GB2312和CP936。

   1: using System;
   2: using System.Text;
   3:  
   4: namespace App
   5: {
   6:     public class Program
   7:     {
   8:         public static void Main(string[] args)
   9:         {
  10:             try
  11:             {
  12:                 Console.WriteLine(Encoding.GetEncoding(936));
  13:             }
  14:             catch (Exception ex)
  15:             {
  16:                 Console.WriteLine(ex.Message);
  17:             }
  18:  
  19:             try
  20:             {
  21:                 Console.WriteLine(Encoding.GetEncoding("GB2312"));
  22:             }
  23:             catch (Exception ex)
  24:             {
  25:                 Console.WriteLine(ex.Message);
  26:             }
  27:         }
  28:     }
  29: }

程序执行结果证明,上述两种中文编码均不支持。

 

我们提供的两种中文编码在默认情况下都不支持,是因为默然情况下它们的EncodingProvider没有注册。上面显示的错误消息其实也提到了这一点,并且提到一个用于注册EncodingProvider的方法(Encoding.RegisterProvider)。于是我们按照下面的方式注册一个CodePagesEncodingProvider。

   1: using System;
   2: using System.Text;
   3:  
   4: namespace App
   5: {
   6:     public class Program
   7:     {
   8:         public static void Main(string[] args)
   9:         {
  10:             Encoding.RegisterProvider(CodePagesEncodingProvider.Instance);
  11:             Console.WriteLine(Encoding.GetEncoding(936));
  12:             Console.WriteLine(Encoding.GetEncoding("GB2312"));
  13:             while (true)
  14:             {
  15:                 Console.WriteLine(Console.ReadLine());
  16:             }
  17:         }
  18:     }
  19: }

CodePagesEncodingProvider定义在NuGet包“System.Text.Encoding.CodePages”之中,所以我们需要现在Project.json文件中按照如下的方式注册对应的依赖。

   1: {
   2:   ...
   3:   "dependencies": {
   4:     "Microsoft.NETCore.App": {
   5:       "type": "platform",
   6:       "version": "1.0.0-rc2-3002702"
   7:     },
   8:     "System.Text.Encoding.CodePages":  "4.0.1-rc2-24027"
   9:   },
  10:   ...
  11: }

再次执行我们的程序后一切正常。

 

这个小问题其实体现了.NET Core最大的一个设计原则,那就是真正的模块化。对于.NET Framework来说,基础类型和API基本上通过几个核心的程序集来承载(比如mscorlib.dll,System.dll、System.Core.dll等),也就是在部署的时候,这些个程序集都是必需的——可能我们只使用到其中很少的API。这样的设计对于桌面应用,没有什么问题,现在.NET Core要实现真正的跨平台,并且创建适合多种设备的统一应用(UWP),这样的部署方式就有问题了。所有.NET Core将很多“不那么核心”的API分离出来定义在其他的程序集中,并通过相应的NuGet包来承载。那么我们的应用就可以“按需使用”这些NuGet包了。这是一种“pay-for-play”设计。

 

vs code 打开Excel  vba 中文乱码

1.vs  code 安装中文语言包

detail:Install Chinese (Simplified) Language Pack for Visual Studio Code

2.乱码原因

Excel 导出的vba 文件 编码为 ANSI,但 vs code 使用的是缺省utf-8 编码打开文件

3.解决办法

把vs code 打开文件时使用的 utf-8 编码 更改为 gb2312

4.更改方法

https://blog.csdn.net/ahook/article/details/111352954