相同中文文本未通過相等性測試

Question

我正在使用以下兩個中文字符串執行測試：

‎‎中國哲學書電子化計劃

...和...

中國哲學書電子化計劃

它們看起來完全相同，但事實並非完全相同。 在立即窗口中執行以下測試：

"‎‎中國哲學書電子化計劃" == "中國哲學書電子化計劃"
false
"‎‎中國哲學書電子化計劃".Length + " " + "中國哲學書電子化計劃".Length
"12 10"

也：

"‎‎中國哲學書電子化計劃"[0]
8206 '‎'
"中國哲學書電子化計劃"[0]
20013 '中'

我認為這可能與代理對有關，但我不知道為什么會發生這種情況。 我感到很奇怪，您可以使用不同的二進制表示形式來表示完全相同的中文文本。 誰能解釋這個現象？

Answer 1

您在其中有控制字符，因此在比較它們時需要使用InvariantCulture參數。

看這個例子：

var str1 = "‎‎中國哲學書電子化計劃";
var str2 = "中國哲學書電子化計劃";

Console.WriteLine("str1 == str2 -> {0}", str1 == str2);
Console.WriteLine("str1 == str2 -> {0}", str1.Equals(str2,StringComparison.InvariantCulture));

將為您提供以下輸出：

str1 == str2 -> False
str1 == str2 -> True

如此處另一個好的答案所指出的那樣，代碼8206是從左到右的標記。 可以在此處找到更多信息。

InvariantCulture比較不考慮此類控制代碼。 可以在此處找到更多信息。 相反，序數比較（默認）在字節級別進行。

如果要從任何控制字符中“清理”字符串，則無需遍歷每個字符，相反，ReGex會助您一臂之力，如下所示：

var cleanString = Regex.Replace(dirtyString, @"\p{C}+", string.Empty);

Answer 2

十進制代碼8206的字符為U + 200E LEFT-TO-RIGHT MARK，並且在第一個字符串的開頭有該字符的兩個副本。 這解釋了結果。

您應該做什么取決於數據來自什么以及將如何處理。 這樣的U + 200E不會造成傷害，在某些情況下可能會造成傷害，但很有可能在這里不是故意的。 如果這些字符可能出現在數據中，則應詢問那里還有哪些其他控制字符以及應如何處理。 刪除它們可能比較合適，或者您可能需要以忽略它們的方式進行比較（例如，在內部構造字符串副本並刪除控制字符，然后進行比較）。

此特定問題與代理對無關。