分享
 
 
 

字节流编码获取原来这么复杂

王朝c#·作者佚名  2006-12-17
窄屏简体版  字體: |||超大  

一)需求

很多情况下我们需要知道字节流的编码,比如

1) 使用编辑器打开文本文件的时候,编辑器需要识别文本文件的各种编码

2) 上传文件后,分析上传文件字节流需要知道它的编码

二)探讨

不过C#目前还没有现成的函数能够获取,经过和同事的探讨,发现UTF8文件都有一个3字节的头,为“EF BB BF”(称为BOM--Byte Order Mark),判断这个头信息不就可以解决了吗?代码如下:

//判断上传的文件的编码是否是UTF8,buff为上传文件的字节流

enc = Encoding.UTF8;

testencbuff = enc.GetPreamble();

if(fileLength>testencbuff.Length && testencbuff[0] == buff[0] && testencbuff[1]==buff[1] && testencbuff[2]==buff[2])

{

// 是 UTF8编码

string buffString = enc.GetString(buff);

}

不过后来发现,不是所有的UTF8编码的文件都有BOM信息,那如何解决呢?

三)最终的方案

没有BOM信息只有通过逐个字节比较的方式才能解决。幸好已经有人解决这个问题了。推荐大家看:

http://dev.csdn.net/Develop/article/10/10961.shtm

http://dev.csdn.net/Develop/article/10/10962.shtm

这里判断所有的编码,基本上都是通过字节比较的方式。java代码很容易移植到.NET上,下面是UTF8判断部分的C#代码:

int utf8_probability(byte[] rawtext)

{

int score = 0;

int i, rawtextlen = 0;

int goodbytes = 0, asciibytes = 0;

// Maybe also use UTF8 Byte Order Mark: EF BB BF

// Check to see if characters fit into acceptable ranges

rawtextlen = rawtext.Length;

for (i = 0; i < rawtextlen; i++)

{

if ((rawtext[i] & (byte)0x7F) == rawtext[i])

{ // One byte

asciibytes++;

// Ignore ASCII, can throw off count

}

else

{

int m_rawInt0 = Convert.ToInt16(rawtext[i]);

int m_rawInt1 = Convert.ToInt16(rawtext[i+1]);

int m_rawInt2 = Convert.ToInt16(rawtext[i+2]);

if (256-64 <= m_rawInt0 && m_rawInt0 <= 256-33 && // Two bytes

i+1 < rawtextlen &&

256-128 <= m_rawInt1 && m_rawInt1 <= 256-65)

{

goodbytes += 2;

i++;

}

else if (256-32 <= m_rawInt0 && m_rawInt0 <= 256-17 && // Three bytes

i+2 < rawtextlen &&

256-128 <= m_rawInt1 && m_rawInt1 <= 256-65 &&

256-128 <= m_rawInt2 && m_rawInt2 <= 256-65)

{

goodbytes += 3;

i+=2;

}

}

}

if (asciibytes == rawtextlen) { return 0; }

score = (int)(100 * ((float)goodbytes/(float)(rawtextlen-asciibytes)));

// If not above 98, reduce to zero to prevent coincidental matches

// Allows for some (few) bad formed sequences

if (score > 98)

{

return score;

}

else if (score > 95 && goodbytes > 30)

{

return score;

}

else

{

return 0;

}

}

参考资料:

字符检测程序(上) 检测GB2312、BIG5...

http://dev.csdn.net/Develop/article/10/article/10/10961.shtm

Hello Unicode ——JAVA的中文处理学习笔记

http://www.chedong.com/tech/hello_unicode.html

 
 
 
免责声明:本文为网络用户发布,其观点仅代表作者个人观点,与本站无关,本站仅提供信息存储服务。文中陈述内容未经本站证实,其真实性、完整性、及时性本站不作任何保证或承诺,请读者仅作参考,并请自行核实相关内容。
2023年上半年GDP全球前十五强
 百态   2023-10-24
美众议院议长启动对拜登的弹劾调查
 百态   2023-09-13
上海、济南、武汉等多地出现不明坠落物
 探索   2023-09-06
印度或要将国名改为“巴拉特”
 百态   2023-09-06
男子为女友送行,买票不登机被捕
 百态   2023-08-20
手机地震预警功能怎么开?
 干货   2023-08-06
女子4年卖2套房花700多万做美容:不但没变美脸,面部还出现变形
 百态   2023-08-04
住户一楼被水淹 还冲来8头猪
 百态   2023-07-31
女子体内爬出大量瓜子状活虫
 百态   2023-07-25
地球连续35年收到神秘规律性信号,网友:不要回答!
 探索   2023-07-21
全球镓价格本周大涨27%
 探索   2023-07-09
钱都流向了那些不缺钱的人,苦都留给了能吃苦的人
 探索   2023-07-02
倩女手游刀客魅者强控制(强混乱强眩晕强睡眠)和对应控制抗性的关系
 百态   2020-08-20
美国5月9日最新疫情:美国确诊人数突破131万
 百态   2020-05-09
荷兰政府宣布将集体辞职
 干货   2020-04-30
倩女幽魂手游师徒任务情义春秋猜成语答案逍遥观:鹏程万里
 干货   2019-11-12
倩女幽魂手游师徒任务情义春秋猜成语答案神机营:射石饮羽
 干货   2019-11-12
倩女幽魂手游师徒任务情义春秋猜成语答案昆仑山:拔刀相助
 干货   2019-11-12
倩女幽魂手游师徒任务情义春秋猜成语答案天工阁:鬼斧神工
 干货   2019-11-12
倩女幽魂手游师徒任务情义春秋猜成语答案丝路古道:单枪匹马
 干货   2019-11-12
倩女幽魂手游师徒任务情义春秋猜成语答案镇郊荒野:与虎谋皮
 干货   2019-11-12
倩女幽魂手游师徒任务情义春秋猜成语答案镇郊荒野:李代桃僵
 干货   2019-11-12
倩女幽魂手游师徒任务情义春秋猜成语答案镇郊荒野:指鹿为马
 干货   2019-11-12
倩女幽魂手游师徒任务情义春秋猜成语答案金陵:小鸟依人
 干货   2019-11-12
倩女幽魂手游师徒任务情义春秋猜成语答案金陵:千金买邻
 干货   2019-11-12
 
推荐阅读
 
 
 
>>返回首頁<<
 
靜靜地坐在廢墟上,四周的荒凉一望無際,忽然覺得,淒涼也很美
© 2005- 王朝網路 版權所有