如何在C#中将â„¢转换回™特殊字符

从外部数据源获取数据时，发现特殊字符™被转换为了â„¢，这是编码错误导致的。尝试了多种编码转换代码，但都无法得到目标字符：

byte[] bytes1 = Encoding.Unicode.GetBytes("â„¢");
String str1 = Encoding.Unicode.GetString(bytes1);
String str2 = Encoding.UTF8.GetString(bytes1);
string str3 = Encoding.UTF32.GetString(bytes1);

var bytes2 = Encoding.Default.GetBytes("â„¢");
var str4 = Encoding.UTF8.GetString(bytes2);
var str5 = Encoding.UTF32.GetString(bytes2);
var str6 = Encoding.Unicode.GetString(bytes2);

byte[] bytes3 = Encoding.UTF8.GetBytes("â„¢");
String str7 = Encoding.Unicode.GetString(bytes3);
String str8 = Encoding.UTF8.GetString(bytes3);
string str9 = Encoding.UTF32.GetString(bytes3);

byte[] bytes4 = Encoding.UTF32.GetBytes("â„¢");
String str10 = Encoding.Unicode.GetString(bytes4);
String str11 = Encoding.UTF8.GetString(bytes4);
string str12 = Encoding.UTF32.GetString(bytes4);

问题根源 #

这是典型的UTF-8字节被错误地用单字节编码（如Windows-1252）解码导致的乱码：

• ™的UTF-8编码是三个字节：0xE2 0x84 0xA2
• 当用Windows-1252解码这三个字节时，会分别得到â（0xE2）、„（0x84）、¢（0xA2），也就是你看到的â„¢。

正确的转换代码 #

要还原正确字符，需要先将乱码字符串用错误解码时使用的编码转回字节数组，再用UTF-8解码这些字节：

string messedUpStr = "â„¢";
// 用Windows-1252编码将乱码转回原始UTF-8字节
byte[] originalUtf8Bytes = Encoding.GetEncoding(1252).GetBytes(messedUpStr);
// 用UTF-8解码得到正确字符
string correctStr = Encoding.UTF8.GetString(originalUtf8Bytes);

// 输出结果：™
Console.WriteLine(correctStr);

为什么之前的代码无效 #

你之前的尝试都是直接对乱码字符串进行编码转换，没有还原到最初的UTF-8字节流。核心是要找到数据源错误解码时使用的编码——多数情况下是Windows-1252（对应编码ID 1252），如果这个编码不行，可以尝试其他单字节编码（如ISO-8859-1）。

内容的提问来源于stack exchange，提问作者J.Cart