| 订阅 | 在线投稿
分享
 
 
 

字节流编码获取原来这么复杂

来源:互联网网民  宽屏版  评论
2006-12-17 00:38:48

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。
 
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
󰈣󰈤
 
 
 
>>返回首页<<
 
 热帖排行
 
 
静静地坐在废墟上,四周的荒凉一望无际,忽然觉得,凄凉也很美
©2005- 王朝网络 版权所有