字节流编码获取原来这么复杂
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