C# 判断文件编码

it2022-05-07  0

我们的项目中会包含有很多文件,但是可能我们没有注意到的,我们的文件的编码不一定是utf-8,所以可能在别人电脑运行时出现乱码。最近在做一个项目,这个项目可以把我们的文件夹里的所有文本,判断他们是什么编码,如果不是用户规定的编码,那么就告诉用户,是否要把它规范为设置的编码。

我们常用的编码有 UTF-8 和 GBK ,所以这就是我们的重点关注编码,可惜现在没有一个好的办法区别 UTF-8 和 GBK 。

如果是带 BOM 的文件,带 BOM 就是带签名,我们可以看到在 VisualStudio 的 文件-高级保存 有 UTF-8 带签名和 UTF-8 编码。

那么带签名的意思是什么,这个和历史有关,我们做出了太多编码,有时无法解析文件的编码,如我们在记事本写上联通,再次打开会是乱码的原因一样,为了让文件自己告诉是什么编码,我们就取文件的前四个 byte ,用于让文件说出自己的编码。

对带签名文件,我们可以简单得到他的编码。See:http://lindexi.oschina.io/lindexi/post/win10-uwp-读取文本GBK错误/

private static Encoding AutoEncoding(byte[] bom) { if (bom.Length != 4) { throw new ArgumentException("EncodingScrutator.AutoEncoding 参数大小不等于4"); } // Analyze the BOM if (bom[0] == 0x2b && bom[1] == 0x2f && bom[2] == 0x76) return Encoding.UTF7; //85 116 102 55 //utf7 aa 97 97 0 0 //utf7 编码 = 43 102 120 90 if (bom[0] == 0xef && bom[1] == 0xbb && bom[2] == 0xbf) return Encoding.UTF8; //无签名 117 116 102 56 // 130 151 160 231 if (bom[0] == 0xff && bom[1] == 0xfe) return Encoding.Unicode; //UTF-16LE if (bom[0] == 0xfe && bom[1] == 0xff) return Encoding.BigEndianUnicode; //UTF-16BE if (bom[0] == 0 && bom[1] == 0 && bom[2] == 0xfe && bom[3] == 0xff) return Encoding.UTF32; return Encoding.ASCII; //如果返回ASCII可能是GBK、无签名 utf8 }

那么对于没有带签名的文件,我们如何判断?其实我找了现在很多大神的博客,他们都认为这个是没有一个可行的方法,精确判断。所以我们只能通过一个近似的方法来判断。

找了很久,发现了一个很好的算法,对于文件长度不是3的倍数,和包含有中文、ASCII字符的 GBK 编码文件,几乎不会与UTF8混淆。

我们统计属于 GBK 的 byte 个数和属于UTF8的byte个数,比较两个个数,如果countGBK 大于 countUtf8 那么编码就是 GBK,否则是 UTF8。如果相同,gg,所以我们需要一个置信度变量。

看起来我们需要好多变量,于是写一个类

using System.IO; using System.Text; namespace EncodingNormalior.Model { /// <summary> /// 包括文件和编码 /// </summary> public class EncodingScrutatorFile { /// <summary> /// 文件 /// </summary> public FileInfo File { set; get; } /// <summary> /// 编码 /// </summary> public Encoding Encoding { set; get; } /// <summary> /// 置信度 /// 范围0-1,1表示确定,0表示不确定,注意:ASCII编码的置信度为0 /// </summary> public double ConfidenceCount { set; get; } = 0; } }

那么如何统计文件中属于 GBK的 byte 个数

我们需要知道 GBK 的编码,对于一般的 ASCII 字符,使用一个 byte 和ASCII一样,如果一个文件都是 ASCII 字符,那么GBK 编码和 ASCII 的都一样,我们统计得到属于 GBK的byte个数为0。对于其他的字符,使用两个 byte 表示。

我找到了一个大神写的判断,https://gist.github.com/neesenk/956765

实际上试过了,不如使用firstByte >= 161 && firstByte <= 247 && secondByte >= 161 && secondByte <= 254判断。

那么知道了如何判断一个字符是属于GBK,那么我们可以开始写函数CountGbk

/// <summary> /// 统计文件属于 GBK 的 byte数 /// </summary> /// <returns></returns> private int CountGbk() { var count = 0; //存在GBK的byte if (CountBuffer == null) { ReadStream(); } var length = CountBuffer.Length; //总长度 var buffer = CountBuffer; const char head = (char) 0x80; //小于127 通过 &head==0 for (var i = 0; i < length; i++) { var firstByte = buffer[i]; //第一个byte,GBK有两个 if ((firstByte & head) == 0) //如果是127以下,那么就是英文等字符,不确定是不是GBK { continue; //文件全部都是127以下字符,可能是Utf-8 或ASCII } if (i + 1 >= length) //如果是大于127,需要两字符,如果只有一个,那么文件错了,但是我也没法做什么 { break; } var secondByte = buffer[i + 1]; //如果是GBK,那么添加GBK byte 2 if (firstByte >= 161 && firstByte <= 247 && secondByte >= 161 && secondByte <= 254) { count += 2; i++; } } return count; }

统计文件中属于 utf8 的byte个数

/// <summary> /// 属于 UTF8 的 byte 数 /// </summary> /// <returns></returns> private int CountUtf8() { var count = 0; if (CountBuffer == null) { ReadStream(); } var length = CountBuffer.Length; var buffer = CountBuffer; // new byte[length]; const char head = (char) 0x80; //while ((n = stream.Read(buffer, 0, n)) > 0) { for (var i = 0; i < length; i++) { var temp = buffer[i]; if (temp < 128) // !(temp&head) { //utf8 一开始如果byte大小在 0-127 表示英文等,使用一byte //length++; 我们记录的是和CountGBK比较 continue; } var tempHead = head; var wordLength = 0; //单词长度,一个字使用多少个byte while ((temp & tempHead) != 0) //存在多少个byte { wordLength++; tempHead >>= 1; } if (wordLength <= 1) { //utf8最小长度为2 continue; } wordLength--; //去掉最后一个,可以让后面的 point大于wordLength if (wordLength + i >= length) { break; } var point = 1; //utf8的这个word 是多少 byte //utf8在两字节和三字节的编码,除了最后一个 byte //其他byte 大于127 //所以 除了最后一个byte,其他的byte &head >0 for (; point <= wordLength; point++) { var secondChar = buffer[i + point]; if ((secondChar & head) == 0) { break; } } if (point > wordLength) { count += wordLength + 1; i += wordLength; } } } return count; }

我们判断如果是不带签名的文件,判断为 UTF8 或GBK,可以使用判断属于 GBK 的 byte 多还是 UTF8 多。

var countUtf8 = CountUtf8(); if (countUtf8 == 0) { encoding = Encoding.ASCII; } else { var countGbk = CountGbk(); if (countUtf8 > countGbk) { encoding = Encoding.UTF8; EncodingScrutatorFile.ConfidenceCount = (double) countUtf8/(countUtf8 + countGbk); } else { encoding = Encoding.GetEncoding("GBK"); EncodingScrutatorFile.ConfidenceCount = (double) countGbk/(countUtf8 + countGbk); } }

下面是我看到的大神的博客,如果希望了解编码的问题,可以参见下面的博客。

我把项目开源,希望能帮到大家。

https://github.com/lindexi/EncodingNormalior

听说项目的名字拼错了,大家不要笑。

参见:http://blog.csdn.net/wwlhsgs/article/details/45641997

http://blog.csdn.net/wgw335363240/article/details/41700045

http://www.ruanyifeng.com/blog/2010/02/url_encoding.html

http://www.ruanyifeng.com/blog/2007/10/ascii_unicode_and_utf-8.html

http://blog.codingnow.com/2010/06/detect_utf-8_gbk.html

https://msdn.microsoft.com/en-us/library/dd374101(VS.85).aspx

文章还发在 https://lindexi.github.io/lindexi/post/C-判断文件编码/ 他会更新比较快,如果遇到任何的问题,欢迎交流

本作品采用知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议进行许可。欢迎转载、使用、重新发布,但务必保留文章署名林德熙(包含链接:http://blog.csdn.net/lindexi_gd ),不得用于商业目的,基于本文修改后的作品务必以相同的许可发布。如有任何疑问,请与我联系。

转载于:https://www.cnblogs.com/lindexi/p/7694400.html

相关资源:检测文件编码

最新回复(0)