• C# 日期格式化


    格式模式 说明 
    d 月中的某一天。一位数的日期没有前导零。 
    dd 月中的某一天。一位数的日期有一个前导零。 
    ddd 周中某天的缩写名称,在 AbbreviatedDayNames 中定义。 
    dddd 周中某天的完整名称,在 DayNames 中定义。 
    M 月份数字。一位数的月份没有前导零。 
    MM 月份数字。一位数的月份有一个前导零。 
    MMM 月份的缩写名称,在 AbbreviatedMonthNames 中定义。 
    MMMM 月份的完整名称,在 MonthNames 中定义。 
    y 不包含纪元的年份。如果不包含纪元的年份小于 10,则显示不具有前导零的年份。 
    yy 不包含纪元的年份。如果不包含纪元的年份小于 10,则显示具有前导零的年份。 
    yyyy 包括纪元的四位数的年份。 
    gg 时期或纪元。如果要设置格式的日期不具有关联的时期或纪元字符串,则忽略该模式。 
    h 12 小时制的小时。一位数的小时数没有前导零。 
    hh 12 小时制的小时。一位数的小时数有前导零。 
    H 24 小时制的小时。一位数的小时数没有前导零。 
    HH 24 小时制的小时。一位数的小时数有前导零。 
    m 分钟。一位数的分钟数没有前导零。 
    mm 分钟。一位数的分钟数有一个前导零。 
    s 秒。一位数的秒数没有前导零。 
    ss 秒。一位数的秒数有一个前导零。 
    f 秒的小数精度为一位。其余数字被截断。 
    ff 秒的小数精度为两位。其余数字被截断。 
    fff 秒的小数精度为三位。其余数字被截断。 
    ffff 秒的小数精度为四位。其余数字被截断。 
    fffff 秒的小数精度为五位。其余数字被截断。 
    ffffff 秒的小数精度为六位。其余数字被截断。 
    fffffff 秒的小数精度为七位。其余数字被截断。 
    t 在 AMDesignator 或 PMDesignator 中定义的 AM/PM 指示项的第一个字符(如果存在)。 
    tt 在 AMDesignator 或 PMDesignator 中定义的 AM/PM 指示项(如果存在)。 
    z 时区偏移量(“+”或“-”后面仅跟小时)。一位数的小时数没有前导零。例如,太平洋标准时间是“-8”。 
    zz 时区偏移量(“+”或“-”后面仅跟小时)。一位数的小时数有前导零。例如,太平洋标准时间是“-08”。 
    zzz 完整时区偏移量(“+”或“-”后面跟有小时和分钟)。一位数的小时数和分钟数有前导零。例如,太平洋标准时间是“-08:00”。 
    : 在 TimeSeparator 中定义的默认时间分隔符。 
    / 在 DateSeparator 中定义的默认日期分隔符。 
    % c 其中 c 是格式模式(如果单独使用)。如果格式模式与原义字符或其他格式模式合并,则可以省略“%”字符。 
     c 其中 c 是任意字符。照原义显示字符。若要显示反斜杠字符,请使用“”。 

    只有上面第二个表中列出的格式模式才能用于创建自定义模式;在第一个表中列出的标准格式字符不能用于创建自定义模式。自定义模式的长度至少为两个字符;例如, 

    DateTime.ToString( "d") 返回 DateTime 值;“d”是标准短日期模式。 
    DateTime.ToString( "%d") 返回月中的某天;“%d”是自定义模式。 
    DateTime.ToString( "d ") 返回后面跟有一个空白字符的月中的某天;“d”是自定义模式。 

    比较方便的是,上面的参数可以随意组合,并且不会出错,多试试,肯定会找到你要的时间格式
    如要得到2005年06月 这样格式的时间
    可以这样写:
    date.ToString("yyyy年MM月", DateTimeFormatInfo.InvariantInfo)

    ****************** 以上转载自:http://www.cnblogs.com/emanlee/archive/2008/01/20/1046022.html ******************

  • 相关阅读:
    计算机原理 3.4 补码一位乘法
    信号与系统 第二章(2.1)
    信号与系统(1.6、1.7)
    第17章 使用BIOS进行键盘输入和磁盘读写
    第16章 直接定址表
    聚类:主要聚类算法
    机器学习——输入空间、特征空间、输出空间
    机器学习——线性回归
    机器学习——梯度下降法
    深度学习——概率与信息论
  • 原文地址:https://www.cnblogs.com/BHfeimao/p/7019451.html
Copyright © 2020-2023  润新知