Contagem de caracteres | CSharp

• Contagem de caracteres | CSharp

info

Cada letra pode ser representado por um número (varia de acordo com as tabelas de codificaçäo) e cada número representa uma sequência de bits

• O processo de converter de texto -> número -> bits chama se encoding e o processo reverso chama-se decoding

Tabelas de codificação | ASCII e Unicode

🧮 1. Tabela ASCII

📖 O que é

ASCII (American Standard Code for Information Interchange) é o padrão mais antigo de codificação de caracteres — criado nos anos 1960. Ele define 128 símbolos básicos (números de 0 a 127), cada um associado a um caractere.

🔢 Estrutura

• Cada caractere é representado por 1 byte (8 bits), mas apenas 7 bits são usados (o 8º era reservado para controle).

• Exemplo:

  Decimal	Hex	Caractere	Descrição
  65	0x41	A	Letra maiúscula A
  97	0x61	a	Letra minúscula a
  48	0x30	0	Dígito zero
  32	0x20		Espaço
  10	0x0A	\n	Quebra de linha

⚙️ Limitação

• Representa apenas o alfabeto inglês, dígitos e alguns símbolos básicos.
• Não suporta acentos (é, ç, ñ, etc.) nem caracteres de outros idiomas.

👉 Por isso surgiram extensões como ISO-8859-1 (Latin-1) e, mais tarde, o Unicode.

---

🌍 2. Tabela Unicode

📖 O que é

Unicode é o padrão moderno e universal que busca representar todos os caracteres de todas as línguas, símbolos matemáticos, emojis, etc. Cada caractere recebe um código numérico único, chamado code point.

• Intervalo total: U+0000 até U+10FFFF (mais de 1 milhão de posições possíveis)
• Atualmente cobre mais de 149.000 caracteres (letras, ideogramas, símbolos, emojis...)

🔢 Exemplo de mapeamento

Caractere	Nome	Code Point (Unicode)
A	Latin Capital Letter A	U+0041
é	Latin Small Letter e with acute	U+00E9
中	Chinese character “zhong”	U+4E2D
😀	Grinning Face Emoji	U+1F600

💾 Unicode não é uma codificação

Unicode é uma tabela de referência — uma lista de todos os símbolos e seus números (code points).

Para armazenar/transmitir esses números em bytes, usamos codificações Unicode, como:

• UTF-8
• UTF-16
• UTF-32

---

🔗 3. Relação entre ASCII e Unicode

• Os 128 primeiros caracteres de Unicode (U+0000 a U+007F) são idênticos ao ASCII.
• Isso garante retrocompatibilidade — qualquer texto ASCII é automaticamente válido em Unicode.

ASCII	Unicode	Caractere
65	U+0041	A
97	U+0061	a
32	U+0020	espaço
10	U+000A	nova linha

---

✅ Resumo rápido

Propriedade	ASCII	Unicode
Criado em	1963	1991
Capacidade	128 símbolos	+1.1 milhão de símbolos possíveis
Tamanho por caractere	1 byte (7 bits usados)	variável (1–4 bytes)
Suporte a idiomas	Apenas inglês	Todos os idiomas do mundo
Compatível com Unicode?	Sim (Unicode inclui ASCII)	—

Dentro do C#

info

Bytes

• Um byte é composto por 8 bits — essa é uma convenção universal adotada na computação moderna.

• Um bit (binary digit) é a menor unidade de informação: Pode ter apenas dois valores → 0 ou 1.

Exemplo:

1 bit → 0 ou 1

• Um byte é formado por 8 bits.
• Ele pode representar 256 valores diferentes (2⁸ = 256). → De 0 a 255 em decimal, → Ou 00 a FF em hexadecimal.

Exemplo:

1 byte = 8 bits = 01000001 = 65 decimal = letra 'A' em ASCII

🔤 1. C# usa UTF-16 internamente

Em C#, uma string é uma sequência de char, e cada char tem 16 bits (2 bytes). Ou seja, o C# representa strings em UTF-16.

Exemplo simples:

string texto = "ABC";
Console.WriteLine(texto.Length); // 3

✅ Cada caractere (A, B, C) cabe em 1 char. Portanto, Length = 3.

---

🧩 2. Emojis e caracteres “grandes” ocupam 2 chars

Alguns caracteres (como emojis ou letras raras) estão fora do BMP (Basic Multilingual Plane). Eles exigem 2 unidades UTF-16 — chamadas pares substitutos (surrogate pairs).

string emoji = "😀"; // U+1F600
Console.WriteLine(emoji.Length); // 2

➡️ Mesmo sendo um único símbolo visível, ele ocupa 2 chars internamente. Cada char contém metade do emoji (\uD83D e \uDE00).

---

📏 3. Comparando Length, Rune e StringInfo

Vamos comparar três formas de contagem no C# moderno (.NET 5+):

using System;
using System.Globalization;
using System.Linq;
using System.Text;

class Program
{
    static void Main()
    {
        string texto = "A😀👩‍❤️‍💋‍👩";

        Console.WriteLine($"String: {texto}");
        Console.WriteLine($"Length (chars): {texto.Length}");

        // 1️⃣ Contando code points (Rune)
        int codePoints = texto.EnumerateRunes().Count();
        Console.WriteLine($"Code points: {codePoints}");

        // 2️⃣ Contando elementos visuais (grapheme clusters)
        int textElements = new StringInfo(texto).LengthInTextElements;
        Console.WriteLine($"Text elements (visuais): {textElements}");
    }
}

Saída:

String: String: A😀👩❤️💋👩
Length (chars): 11
Code points: 7
Text elements (visuais): 6

String no console:

Explicando:

Tipo de contagem	O que mede	Valor
Length	Unidades UTF-16 (chars)	11
EnumerateRunes()	Pontos de código Unicode	7
StringInfo.LengthInTextElements	Elementos visuais que o usuário vê	6

👉 O usuário vê 3 símbolos: “A”, “😀”, e “👩‍❤️‍💋‍👩”, mas internamente há muitos code units para representar cada um.

---

🔍 4. Quando usar cada um

Método	Uso indicado
texto.Length	Quando só importa o número de chars (UTF-16) — ex: manipulação interna
texto.EnumerateRunes().Count()	Quando você quer contar code points Unicode (cada símbolo atômico)
new StringInfo(texto).LengthInTextElements	Quando você quer contar caracteres visuais (o que o usuário enxerga)

---

🧠 5. Visualizando internamente

Você pode inspecionar os valores UTF-16 que formam uma string:

string s = "😀";
foreach (char c in s)
{
    Console.WriteLine($"U+{(int)c:X4}");
}

Saída:

U+D83D
U+DE00

➡️ Esses são os dois chars que, juntos, formam o emoji 😀 (U+1F600).

---

✅ Resumo final

Conceito	Método	Mede o quê	Emoji “😀” retorna
Code units (UTF-16)	texto.Length	Número de chars	2
Code points (Unicode)	texto.EnumerateRunes().Count()	Pontos de código	1
Elementos visuais (graphemes)	new StringInfo(texto).LengthInTextElements	O que o usuário vê	1