Regex对Unicode的支持和Unicode的BOM

我们知道正则式可以用\uxxxx来表示Unicode编码，比如用[\u4e00-\u9fa5] 来表示双字节字符。

博客园有位朋友留言问我Regex怎么支持Unicode，于是我想取出一个汉字的Unicode编码，写到Regex 的Pattern中，来说明这个问题。

            string s = "中";
            byte[] bs = Encoding.Unicode.GetBytes(s);
            for(int i = 0 ; i < bs.Length ;i++)
            {
                Console.Write(bs[i].ToString("X"));
            }

返回的结果是2D4E,
然后我写正则式来匹配它

            string s = "中";
            Regex reg = new Regex(@"\u2d4e",RegexOptions.Compiled);
            WL(reg.IsMatch(s));

结果却返回False！！

想了半天，记起Unicode的字节存放有前高后低（前一字节放高位后一字节放低位）和前低后高两种，于是把字节前后对换

            string s = "中";
            Regex reg = new Regex(@"\u4e2d",RegexOptions.Compiled);
            WL(reg.IsMatch(s));

此时，返回的是希望看到的True。

后来通过查看

            Encoding unicode = Encoding.Unicode;

            // Get the byte order mark (BOM) of the Unicode encoder. 
            byte[] preamble = unicode.GetPreamble();

            if(preamble[0] == 0xFE && preamble[1] == 0xFF)
            {
                Console.WriteLine("The Unicode encoder is encoding in big-endian order.");
            }
            else if(preamble[0] == 0xFF && preamble[1] == 0xFE)
            {
                Console.WriteLine("The Unicode encoder is encoding in little-endian order.");
            }

得知.NET下的Unicode编码默认采用little-endian顺序。

看到得去补补编码知识了。