กำหนดการเข้ารหัสของสตริงใน C #


127

มีวิธีใดในการกำหนดการเข้ารหัสของสตริงใน C # หรือไม่?

สมมติว่าฉันมีสตริงชื่อไฟล์ แต่ฉันไม่รู้ว่ามีการเข้ารหัสในUnicode UTF-16 หรือการเข้ารหัสเริ่มต้นของระบบฉันจะทราบได้อย่างไร


คุณไม่สามารถ "เข้ารหัส" ใน Unicode และมีวิธีการตรวจสอบโดยอัตโนมัติเข้ารหัสไม่มีใด ๆสตริงที่กำหนดโดยไม่มีข้อมูลก่อนอื่นใด
Nicolas Dumazet

5
เพื่อให้ชัดเจนยิ่งขึ้น: คุณเข้ารหัส Unicode code-points เป็นไบต์สตริงของชุดอักขระโดยใช้โครงร่าง "การเข้ารหัส" (utf- , iso- , big5, shift-jis, ฯลฯ ... ) และคุณถอดรหัสสตริงไบต์จาก a ตั้งค่าอักขระเป็น Unicode คุณไม่ได้เข้ารหัส bytestrings ใน Unicode คุณไม่ได้ถอดรหัส Unicode ใน bytestrings
Nicolas Dumazet

13
@NicDunZ - การเข้ารหัสตัวเอง (โดยเฉพาะ UTF-16) มักเรียกว่า "Unicode" ถูกหรือผิดนั่นคือชีวิต แม้ใน. NET ให้ดูที่ Encoding.Unicode - หมายถึง UTF-16
Marc Gravell

2
โอ้ฉันไม่รู้ว่า. NET ทำให้เข้าใจผิดมาก นั่นดูเหมือนเป็นนิสัยที่น่ากลัวในการเรียนรู้ และขอโทษ @krebstar นั่นไม่ใช่ความตั้งใจของฉัน (ฉันยังคิดว่าคำถามที่แก้ไขของคุณมีความหมายมากกว่าเมื่อก่อน)
Nicolas Dumazet

1
@Nicdumz # 1: มีวิธีในการพิจารณาว่าจะใช้การเข้ารหัสใด ดูว่า IE ทำอะไร (และตอนนี้ยังมี FF พร้อม View - Character Encoding - ตรวจจับอัตโนมัติ) สำหรับสิ่งนั้น: ลองเข้ารหัสหนึ่งรายการและดูว่าอาจเป็น "เขียนดี <ใส่ชื่อภาษาที่นี่>" หรือเปลี่ยนแล้วลองอีกครั้ง . มานี้สนุก!
SnippyHolloW

คำตอบ:


31

ลองดู Utf8Checker มันเป็นคลาสง่ายๆที่ทำสิ่งนี้ในโค้ดที่มีการจัดการอย่างแท้จริง http://utf8checker.codeplex.com

ข้อสังเกต: ตามที่ได้ระบุไว้แล้วว่า "กำหนดการเข้ารหัส" เหมาะสมสำหรับสตรีมแบบไบต์เท่านั้น หากคุณมีสตริงจะมีการเข้ารหัสจากผู้ที่รู้จักหรือเดาการเข้ารหัสอยู่แล้วเพื่อรับสตริงมาตั้งแต่แรก


หากสตริงเป็นการถอดรหัสที่ไม่ถูกต้องโดยใช้การเข้ารหัส 8 บิตเพียงอย่างเดียวและคุณมีการเข้ารหัสที่ใช้ในการถอดรหัสคุณสามารถรับไบต์กลับคืนมาได้โดยไม่มีความเสียหายใด ๆ
Nyerguds

58

โค้ดด้านล่างมีคุณสมบัติดังต่อไปนี้:

  1. การตรวจจับหรือพยายามตรวจจับ UTF-7, UTF-8/16/32 (bom, no bom, little & big endian)
  2. กลับไปที่หน้ารหัสเริ่มต้นภายในเครื่องหากไม่พบการเข้ารหัส Unicode
  3. ตรวจพบ (มีความเป็นไปได้สูง) ไฟล์ Unicode ที่ไม่มี BOM / ลายเซ็น
  4. ค้นหา charset = xyz และ encoding = xyz ภายในไฟล์เพื่อช่วยกำหนดการเข้ารหัส
  5. หากต้องการบันทึกการประมวลผลคุณสามารถ 'ลิ้มรส' ไฟล์ (จำนวนไบต์ที่กำหนดได้)
  6. ไฟล์ข้อความที่เข้ารหัสและถอดรหัสจะถูกส่งกลับ
  7. โซลูชันแบบไบต์ล้วนเพื่อประสิทธิภาพ

อย่างที่คนอื่น ๆ กล่าวไว้ไม่มีวิธีแก้ปัญหาใดที่สมบูรณ์แบบ (และแน่นอนว่าไม่มีใครสามารถแยกความแตกต่างได้อย่างง่ายดายระหว่างการเข้ารหัส ASCII แบบขยาย 8 บิตที่ใช้กันทั่วโลก) แต่เราจะได้รับ 'ดีพอ' โดยเฉพาะอย่างยิ่งหากนักพัฒนานำเสนอต่อผู้ใช้ด้วย รายการการเข้ารหัสทางเลือกดังแสดงที่นี่: การเข้ารหัสที่พบบ่อยที่สุดของแต่ละภาษาคืออะไร?

สามารถดูรายการการเข้ารหัสทั้งหมดได้โดยใช้ Encoding.GetEncodings();

// Function to detect the encoding for UTF-7, UTF-8/16/32 (bom, no bom, little
// & big endian), and local default codepage, and potentially other codepages.
// 'taster' = number of bytes to check of the file (to save processing). Higher
// value is slower, but more reliable (especially UTF-8 with special characters
// later on may appear to be ASCII initially). If taster = 0, then taster
// becomes the length of the file (for maximum reliability). 'text' is simply
// the string with the discovered encoding applied to the file.
public Encoding detectTextEncoding(string filename, out String text, int taster = 1000)
{
    byte[] b = File.ReadAllBytes(filename);

    //////////////// First check the low hanging fruit by checking if a
    //////////////// BOM/signature exists (sourced from http://www.unicode.org/faq/utf_bom.html#bom4)
    if (b.Length >= 4 && b[0] == 0x00 && b[1] == 0x00 && b[2] == 0xFE && b[3] == 0xFF) { text = Encoding.GetEncoding("utf-32BE").GetString(b, 4, b.Length - 4); return Encoding.GetEncoding("utf-32BE"); }  // UTF-32, big-endian 
    else if (b.Length >= 4 && b[0] == 0xFF && b[1] == 0xFE && b[2] == 0x00 && b[3] == 0x00) { text = Encoding.UTF32.GetString(b, 4, b.Length - 4); return Encoding.UTF32; }    // UTF-32, little-endian
    else if (b.Length >= 2 && b[0] == 0xFE && b[1] == 0xFF) { text = Encoding.BigEndianUnicode.GetString(b, 2, b.Length - 2); return Encoding.BigEndianUnicode; }     // UTF-16, big-endian
    else if (b.Length >= 2 && b[0] == 0xFF && b[1] == 0xFE) { text = Encoding.Unicode.GetString(b, 2, b.Length - 2); return Encoding.Unicode; }              // UTF-16, little-endian
    else if (b.Length >= 3 && b[0] == 0xEF && b[1] == 0xBB && b[2] == 0xBF) { text = Encoding.UTF8.GetString(b, 3, b.Length - 3); return Encoding.UTF8; } // UTF-8
    else if (b.Length >= 3 && b[0] == 0x2b && b[1] == 0x2f && b[2] == 0x76) { text = Encoding.UTF7.GetString(b,3,b.Length-3); return Encoding.UTF7; } // UTF-7


    //////////// If the code reaches here, no BOM/signature was found, so now
    //////////// we need to 'taste' the file to see if can manually discover
    //////////// the encoding. A high taster value is desired for UTF-8
    if (taster == 0 || taster > b.Length) taster = b.Length;    // Taster size can't be bigger than the filesize obviously.


    // Some text files are encoded in UTF8, but have no BOM/signature. Hence
    // the below manually checks for a UTF8 pattern. This code is based off
    // the top answer at: /programming/6555015/check-for-invalid-utf8
    // For our purposes, an unnecessarily strict (and terser/slower)
    // implementation is shown at: /programming/1031645/how-to-detect-utf-8-in-plain-c
    // For the below, false positives should be exceedingly rare (and would
    // be either slightly malformed UTF-8 (which would suit our purposes
    // anyway) or 8-bit extended ASCII/UTF-16/32 at a vanishingly long shot).
    int i = 0;
    bool utf8 = false;
    while (i < taster - 4)
    {
        if (b[i] <= 0x7F) { i += 1; continue; }     // If all characters are below 0x80, then it is valid UTF8, but UTF8 is not 'required' (and therefore the text is more desirable to be treated as the default codepage of the computer). Hence, there's no "utf8 = true;" code unlike the next three checks.
        if (b[i] >= 0xC2 && b[i] <= 0xDF && b[i + 1] >= 0x80 && b[i + 1] < 0xC0) { i += 2; utf8 = true; continue; }
        if (b[i] >= 0xE0 && b[i] <= 0xF0 && b[i + 1] >= 0x80 && b[i + 1] < 0xC0 && b[i + 2] >= 0x80 && b[i + 2] < 0xC0) { i += 3; utf8 = true; continue; }
        if (b[i] >= 0xF0 && b[i] <= 0xF4 && b[i + 1] >= 0x80 && b[i + 1] < 0xC0 && b[i + 2] >= 0x80 && b[i + 2] < 0xC0 && b[i + 3] >= 0x80 && b[i + 3] < 0xC0) { i += 4; utf8 = true; continue; }
        utf8 = false; break;
    }
    if (utf8 == true) {
        text = Encoding.UTF8.GetString(b);
        return Encoding.UTF8;
    }


    // The next check is a heuristic attempt to detect UTF-16 without a BOM.
    // We simply look for zeroes in odd or even byte places, and if a certain
    // threshold is reached, the code is 'probably' UF-16.          
    double threshold = 0.1; // proportion of chars step 2 which must be zeroed to be diagnosed as utf-16. 0.1 = 10%
    int count = 0;
    for (int n = 0; n < taster; n += 2) if (b[n] == 0) count++;
    if (((double)count) / taster > threshold) { text = Encoding.BigEndianUnicode.GetString(b); return Encoding.BigEndianUnicode; }
    count = 0;
    for (int n = 1; n < taster; n += 2) if (b[n] == 0) count++;
    if (((double)count) / taster > threshold) { text = Encoding.Unicode.GetString(b); return Encoding.Unicode; } // (little-endian)


    // Finally, a long shot - let's see if we can find "charset=xyz" or
    // "encoding=xyz" to identify the encoding:
    for (int n = 0; n < taster-9; n++)
    {
        if (
            ((b[n + 0] == 'c' || b[n + 0] == 'C') && (b[n + 1] == 'h' || b[n + 1] == 'H') && (b[n + 2] == 'a' || b[n + 2] == 'A') && (b[n + 3] == 'r' || b[n + 3] == 'R') && (b[n + 4] == 's' || b[n + 4] == 'S') && (b[n + 5] == 'e' || b[n + 5] == 'E') && (b[n + 6] == 't' || b[n + 6] == 'T') && (b[n + 7] == '=')) ||
            ((b[n + 0] == 'e' || b[n + 0] == 'E') && (b[n + 1] == 'n' || b[n + 1] == 'N') && (b[n + 2] == 'c' || b[n + 2] == 'C') && (b[n + 3] == 'o' || b[n + 3] == 'O') && (b[n + 4] == 'd' || b[n + 4] == 'D') && (b[n + 5] == 'i' || b[n + 5] == 'I') && (b[n + 6] == 'n' || b[n + 6] == 'N') && (b[n + 7] == 'g' || b[n + 7] == 'G') && (b[n + 8] == '='))
            )
        {
            if (b[n + 0] == 'c' || b[n + 0] == 'C') n += 8; else n += 9;
            if (b[n] == '"' || b[n] == '\'') n++;
            int oldn = n;
            while (n < taster && (b[n] == '_' || b[n] == '-' || (b[n] >= '0' && b[n] <= '9') || (b[n] >= 'a' && b[n] <= 'z') || (b[n] >= 'A' && b[n] <= 'Z')))
            { n++; }
            byte[] nb = new byte[n-oldn];
            Array.Copy(b, oldn, nb, 0, n-oldn);
            try {
                string internalEnc = Encoding.ASCII.GetString(nb);
                text = Encoding.GetEncoding(internalEnc).GetString(b);
                return Encoding.GetEncoding(internalEnc);
            }
            catch { break; }    // If C# doesn't recognize the name of the encoding, break.
        }
    }


    // If all else fails, the encoding is probably (though certainly not
    // definitely) the user's local codepage! One might present to the user a
    // list of alternative encodings as shown here: /programming/8509339/what-is-the-most-common-encoding-of-each-language
    // A full list can be found using Encoding.GetEncodings();
    text = Encoding.Default.GetString(b);
    return Encoding.Default;
}

สิ่งนี้ใช้ได้กับไฟล์ Cyrillic (และอาจเป็นไฟล์อื่น ๆ ) .eml (จากส่วนหัวชุดอักขระของเมล)
Nime Cloud

UTF-7 ไม่สามารถถอดรหัสได้อย่างไร้เดียงสาจริง คำนำหน้าเต็มจะยาวกว่าและมีอักขระตัวแรกสองบิต ดูเหมือนว่าระบบ. Net จะไม่รองรับเลยสำหรับระบบ preamble ของ UTF7
Nyerguds

ทำงานให้ฉันเมื่อไม่มีวิธีอื่นใดที่ฉันตรวจสอบไม่ได้ช่วย! ขอบคุณแดน
Tejasvi Hegde

ขอบคุณสำหรับการแก้ปัญหาของคุณ ฉันกำลังใช้มันเพื่อกำหนดการเข้ารหัสไฟล์จากแหล่งที่มาที่แตกต่างกันโดยสิ้นเชิง สิ่งที่ฉันพบคือถ้าฉันใช้ค่า taster ต่ำเกินไปผลลัพธ์อาจผิด (เช่นโค้ดส่งคืนการเข้ารหัสค่าเริ่มต้นสำหรับไฟล์ UTF8 แม้ว่าฉันจะใช้ b.Length / 10 เป็น taster ก็ตาม) ฉันจึงสงสัยว่าอาร์กิวเมนต์สำหรับการใช้ taster ที่น้อยกว่า b.Length คืออะไร? ดูเหมือนว่าฉันสามารถสรุปได้ว่าการเข้ารหัสเท่านั้นค่าเริ่มต้นจะยอมรับได้ก็ต่อเมื่อฉันสแกนทั้งไฟล์เท่านั้น
Sean

@Sean: เมื่อความเร็วมีความสำคัญมากกว่าความแม่นยำโดยเฉพาะอย่างยิ่งสำหรับไฟล์ที่มีขนาดหลายสิบหรือหลายร้อยเมกะไบต์ จากประสบการณ์ของฉันแม้แต่ค่าการชิมที่ต่ำก็สามารถให้ผลลัพธ์ที่ถูกต้อง ~ 99.9% ของเวลา ประสบการณ์ของคุณอาจแตกต่างกัน
Dan W

33

มันขึ้นอยู่กับว่าสตริง "มาจากไหน" สตริง. NET คือ Unicode (UTF-16) วิธีเดียวที่อาจแตกต่างออกไปถ้าคุณพูดอ่านข้อมูลจากฐานข้อมูลลงในอาร์เรย์ไบต์

บทความ CodeProject นี้อาจเป็นประโยชน์: ตรวจหาการเข้ารหัสสำหรับข้อความขาเข้าและขาออก

สตริงของ Jon Skeet ใน C # และ. NETเป็นคำอธิบายที่ดีเยี่ยมของสตริง. NET


มันมาจากแอป C ++ ที่ไม่ใช่ Unicode .. บทความ CodeProject ดูซับซ้อนเกินไป แต่ดูเหมือนจะทำในสิ่งที่อยากทำ .. ขอบคุณ ..
krebstar

18

ฉันรู้ว่ามันช้าไปหน่อย - แต่ต้องชัดเจน:

สตริงไม่มีการเข้ารหัสจริงๆ ... ใน. NET สตริงคือชุดของวัตถุถ่าน โดยพื้นฐานแล้วถ้าเป็นสตริงจะมีการถอดรหัสแล้ว

อย่างไรก็ตามหากคุณกำลังอ่านเนื้อหาของไฟล์ซึ่งสร้างจากไบต์และต้องการแปลงเป็นสตริงต้องใช้การเข้ารหัสของไฟล์

.NET มีคลาสการเข้ารหัสและถอดรหัสสำหรับ: ASCII, UTF7, UTF8, UTF32 และอื่น ๆ

การเข้ารหัสเหล่านี้ส่วนใหญ่มีเครื่องหมายลำดับไบต์บางอย่างที่สามารถใช้เพื่อแยกแยะประเภทการเข้ารหัสที่ใช้

คลาส. NET System.IO.StreamReader สามารถกำหนดการเข้ารหัสที่ใช้ภายในสตรีมโดยอ่านเครื่องหมายลำดับไบต์เหล่านั้น

นี่คือตัวอย่าง:

    /// <summary>
    /// return the detected encoding and the contents of the file.
    /// </summary>
    /// <param name="fileName"></param>
    /// <param name="contents"></param>
    /// <returns></returns>
    public static Encoding DetectEncoding(String fileName, out String contents)
    {
        // open the file with the stream-reader:
        using (StreamReader reader = new StreamReader(fileName, true))
        {
            // read the contents of the file into a string
            contents = reader.ReadToEnd();

            // return the encoding.
            return reader.CurrentEncoding;
        }
    }

3
วิธีนี้ใช้ไม่ได้กับการตรวจจับ UTF 16 โดยไม่มี BOM และจะไม่กลับไปที่หน้ารหัสเริ่มต้นภายในเครื่องของผู้ใช้หากตรวจไม่พบการเข้ารหัส Unicode คุณสามารถแก้ไขส่วนหลังได้โดยเพิ่มEncoding.Defaultเป็นพารามิเตอร์ StreamReader แต่โค้ดจะไม่ตรวจพบ UTF8 หากไม่มี BOM
Dan W

1
@ DanW: UTF-16 ที่ไม่มี BOM เคยทำจริงหรือไม่? ฉันไม่เคยใช้มัน มันจะต้องเป็นหายนะที่จะต้องเปิดอะไรก็ตาม
Nyerguds

11

อีกทางเลือกหนึ่งที่มาช้ามากขออภัย:

http://www.architectshack.com/TextFileEncodingDetector.ashx

C #-only class ขนาดเล็กนี้ใช้ BOMS หากมีอยู่พยายามตรวจหาการเข้ารหัส Unicode ที่เป็นไปได้โดยอัตโนมัติไม่เช่นนั้นจะถอยกลับหากไม่มีการเข้ารหัส Unicode ที่เป็นไปได้หรือเป็นไปได้

ดูเหมือนว่า UTF8Checker ที่อ้างถึงข้างต้นจะทำสิ่งที่คล้ายกัน แต่ฉันคิดว่านี่เป็นขอบเขตที่กว้างกว่าเล็กน้อยแทนที่จะเป็นเพียง UTF8 แต่ยังตรวจสอบการเข้ารหัส Unicode อื่น ๆ ที่เป็นไปได้ (UTF-16 LE หรือ BE) ที่อาจไม่มี BOM

หวังว่านี่จะช่วยใครสักคน!


รหัส
ค่อนข้าง

9

SimpleHelpers.FileEncodingแพคเกจ Nuget wraps พอร์ต C # ของรหัสตัวอักษรตรวจจับ Mozilla สากลเป็น API ตายง่ายๆ

var encoding = FileEncoding.DetectFileEncoding(txtFile);

มันควรจะสูงขึ้นมันเป็นวิธีแก้ปัญหาที่ง่ายมาก: ให้คนอื่นทำงาน: D
buddybubble

ห้องสมุดนี้เป็น GPL
br

ใช่ไหม? ฉันเห็นใบอนุญาต MIT และใช้ส่วนประกอบที่มีใบอนุญาตสามใบ (UDE) ซึ่งหนึ่งในนั้นคือ MPL ฉันพยายามตรวจสอบว่า UDE เป็นปัญหาสำหรับผลิตภัณฑ์ที่เป็นกรรมสิทธิ์หรือไม่ดังนั้นหากคุณมีข้อมูลเพิ่มเติมขอขอบคุณอย่างมาก
Simon Woods

5

วิธีแก้ปัญหาของฉันคือการใช้ของที่มีอยู่แล้วภายในกับทางเลือกบางอย่าง

ฉันเลือกกลยุทธ์จากคำตอบของคำถามอื่นที่คล้ายกันใน stackoverflow แต่ตอนนี้หาไม่เจอ

ตรวจสอบ BOM ก่อนโดยใช้ตรรกะในตัวใน StreamReader หากมี BOM การเข้ารหัสจะเป็นอย่างอื่นที่ไม่ใช่Encoding.Defaultและเราควรไว้วางใจผลลัพธ์นั้น

ถ้าไม่จะตรวจสอบว่าลำดับไบต์เป็นลำดับ UTF-8 ที่ถูกต้องหรือไม่ หากเป็นเช่นนั้นระบบจะเดาว่า UTF-8 เป็นการเข้ารหัสและหากไม่เป็นเช่นนั้นอีกครั้งการเข้ารหัส ASCII เริ่มต้นจะเป็นผลลัพธ์

static Encoding getEncoding(string path) {
    var stream = new FileStream(path, FileMode.Open);
    var reader = new StreamReader(stream, Encoding.Default, true);
    reader.Read();

    if (reader.CurrentEncoding != Encoding.Default) {
        reader.Close();
        return reader.CurrentEncoding;
    }

    stream.Position = 0;

    reader = new StreamReader(stream, new UTF8Encoding(false, true));
    try {
        reader.ReadToEnd();
        reader.Close();
        return Encoding.UTF8;
    }
    catch (Exception) {
        reader.Close();
        return Encoding.Default;
    }
}

3

หมายเหตุ: นี่เป็นการทดลองเพื่อดูว่าการเข้ารหัส UTF-8 ทำงานอย่างไรภายใน โซลูชันที่นำเสนอโดย vilicvaneเพื่อใช้UTF8Encodingอ็อบเจ็กต์ที่เริ่มต้นเพื่อทิ้งข้อยกเว้นเกี่ยวกับความล้มเหลวในการถอดรหัสนั้นง่ายกว่ามากและโดยพื้นฐานแล้วจะทำสิ่งเดียวกัน


ฉันเขียนโค้ดชิ้นนี้เพื่อแยกความแตกต่างระหว่าง UTF-8 และ Windows-1252 ไม่ควรใช้กับไฟล์ข้อความขนาดมหึมาเนื่องจากโหลดสิ่งทั้งหมดลงในหน่วยความจำและสแกนอย่างสมบูรณ์ ฉันใช้มันสำหรับไฟล์คำบรรยาย. srt เพื่อให้สามารถบันทึกกลับในการเข้ารหัสที่โหลดไว้

การเข้ารหัสที่กำหนดให้กับฟังก์ชันเป็น ref ควรเป็นการเข้ารหัสทางเลือก 8 บิตเพื่อใช้ในกรณีที่ตรวจพบไฟล์ว่าไม่ใช่ UTF-8 ที่ถูกต้อง โดยทั่วไปในระบบ Windows จะเป็น Windows-1252 สิ่งนี้ไม่ได้ทำอะไรแปลก ๆ เช่นการตรวจสอบช่วง ascii ที่ถูกต้องจริงและไม่พบ UTF-16 แม้ในเครื่องหมายคำสั่งไบต์

สามารถดูทฤษฎีเบื้องหลังการตรวจจับบิตได้ที่นี่: https://ianthehenry.com/2015/1/17/decoding-utf-8/

โดยทั่วไปช่วงบิตของไบต์แรกจะกำหนดจำนวนหลังจากนั้นเป็นส่วนหนึ่งของเอนทิตี UTF-8 ไบต์เหล่านี้หลังจากนั้นจะอยู่ในช่วงบิตเดียวกันเสมอ

/// <summary>
/// Reads a text file, and detects whether its encoding is valid UTF-8 or ascii.
/// If not, decodes the text using the given fallback encoding.
/// Bit-wise mechanism for detecting valid UTF-8 based on
/// https://ianthehenry.com/2015/1/17/decoding-utf-8/
/// </summary>
/// <param name="docBytes">The bytes read from the file.</param>
/// <param name="encoding">The default encoding to use as fallback if the text is detected not to be pure ascii or UTF-8 compliant. This ref parameter is changed to the detected encoding.</param>
/// <returns>The contents of the read file, as String.</returns>
public static String ReadFileAndGetEncoding(Byte[] docBytes, ref Encoding encoding)
{
    if (encoding == null)
        encoding = Encoding.GetEncoding(1252);
    Int32 len = docBytes.Length;
    // byte order mark for utf-8. Easiest way of detecting encoding.
    if (len > 3 && docBytes[0] == 0xEF && docBytes[1] == 0xBB && docBytes[2] == 0xBF)
    {
        encoding = new UTF8Encoding(true);
        // Note that even when initialising an encoding to have
        // a BOM, it does not cut it off the front of the input.
        return encoding.GetString(docBytes, 3, len - 3);
    }
    Boolean isPureAscii = true;
    Boolean isUtf8Valid = true;
    for (Int32 i = 0; i < len; ++i)
    {
        Int32 skip = TestUtf8(docBytes, i);
        if (skip == 0)
            continue;
        if (isPureAscii)
            isPureAscii = false;
        if (skip < 0)
        {
            isUtf8Valid = false;
            // if invalid utf8 is detected, there's no sense in going on.
            break;
        }
        i += skip;
    }
    if (isPureAscii)
        encoding = new ASCIIEncoding(); // pure 7-bit ascii.
    else if (isUtf8Valid)
        encoding = new UTF8Encoding(false);
    // else, retain given encoding. This should be an 8-bit encoding like Windows-1252.
    return encoding.GetString(docBytes);
}

/// <summary>
/// Tests if the bytes following the given offset are UTF-8 valid, and
/// returns the amount of bytes to skip ahead to do the next read if it is.
/// If the text is not UTF-8 valid it returns -1.
/// </summary>
/// <param name="binFile">Byte array to test</param>
/// <param name="offset">Offset in the byte array to test.</param>
/// <returns>The amount of bytes to skip ahead for the next read, or -1 if the byte sequence wasn't valid UTF-8</returns>
public static Int32 TestUtf8(Byte[] binFile, Int32 offset)
{
    // 7 bytes (so 6 added bytes) is the maximum the UTF-8 design could support,
    // but in reality it only goes up to 3, meaning the full amount is 4.
    const Int32 maxUtf8Length = 4;
    Byte current = binFile[offset];
    if ((current & 0x80) == 0)
        return 0; // valid 7-bit ascii. Added length is 0 bytes.
    Int32 len = binFile.Length;
    for (Int32 addedlength = 1; addedlength < maxUtf8Length; ++addedlength)
    {
        Int32 fullmask = 0x80;
        Int32 testmask = 0;
        // This code adds shifted bits to get the desired full mask.
        // If the full mask is [111]0 0000, then test mask will be [110]0 0000. Since this is
        // effectively always the previous step in the iteration I just store it each time.
        for (Int32 i = 0; i <= addedlength; ++i)
        {
            testmask = fullmask;
            fullmask += (0x80 >> (i+1));
        }
        // figure out bit masks from level
        if ((current & fullmask) == testmask)
        {
            if (offset + addedlength >= len)
                return -1;
            // Lookahead. Pattern of any following bytes is always 10xxxxxx
            for (Int32 i = 1; i <= addedlength; ++i)
            {
                if ((binFile[offset + i] & 0xC0) != 0x80)
                    return -1;
            }
            return addedlength;
        }
    }
    // Value is greater than the maximum allowed for utf8. Deemed invalid.
    return -1;
}

นอกจากนี้ยังไม่มีที่ผ่านมาคำสั่งหลังelse if ((current & 0xE0) == 0xC0) { ... } else if ((current & 0xF0) == 0xE0) { ... } else if ((current & 0xF0) == 0xE0) { ... } else if ((current & 0xF8) == 0xF0) { ... }ผมคิดว่าelseกรณีจะเป็น utf8 isUtf8Valid = false;ไม่ถูกต้อง: คุณจะ?
ครึ่ง

@ ฮัลอาจริง ... ตั้งแต่ฉันอัปเดตโค้ดของตัวเองด้วยระบบทั่วไป (และขั้นสูง) ที่ใช้ลูปที่สูงถึง 3 แต่ในทางเทคนิคสามารถเปลี่ยนเป็นลูปต่อไปได้ (รายละเอียดค่อนข้างไม่ชัดเจนในเรื่องนั้น ; เป็นไปได้ที่จะขยาย UTF-8 ได้ถึง 6 ไบต์ที่เพิ่มมาฉันคิดว่ามีเพียง 3 เท่านั้นที่ใช้ในการใช้งานปัจจุบัน) ดังนั้นฉันจึงไม่ได้อัปเดตโค้ดนี้
Nyerguds

@hal อัปเดตเป็นโซลูชันใหม่ของฉัน หลักการยังคงเหมือนเดิม แต่มาสก์บิตถูกสร้างขึ้นและตรวจสอบแบบวนซ้ำแทนที่จะเขียนอย่างชัดเจนในโค้ด
Nyerguds

1

ฉันพบห้องสมุดใหม่บน GitHub: CharsetDetector / UTF-Unknown

ตัวตรวจจับ Charset สร้างใน C # - .NET Core 2-3, .NET มาตรฐาน 1-2 & .NET 4+

นอกจากนี้ยังเป็นพอร์ตของMozilla Universal Charset Detector ที่อ้างอิงจากที่เก็บอื่น ๆ

CharsetDetector / UTF-ที่ไม่รู้จักCharsetDetectorได้ระดับหนึ่งชื่อ

CharsetDetector มีวิธีการตรวจจับการเข้ารหัสแบบคงที่:

  • CharsetDetector.DetectFromFile()
  • CharsetDetector.DetectFromStream()
  • CharsetDetector.DetectFromBytes()

ผลลัพธ์ที่ตรวจพบอยู่ในคลาสDetectionResultมีแอตทริบิวต์Detectedซึ่งเป็นตัวอย่างของคลาสที่DetectionDetailมีแอตทริบิวต์ด้านล่าง:

  • EncodingName
  • Encoding
  • Confidence

ด้านล่างเป็นตัวอย่างเพื่อแสดงการใช้งาน:

// Program.cs
using System;
using System.Text;
using UtfUnknown;

namespace ConsoleExample
{
    public class Program
    {
        public static void Main(string[] args)
        {
            string filename = @"E:\new-file.txt";
            DetectDemo(filename);
        }

        /// <summary>
        /// Command line example: detect the encoding of the given file.
        /// </summary>
        /// <param name="filename">a filename</param>
        public static void DetectDemo(string filename)
        {
            // Detect from File
            DetectionResult result = CharsetDetector.DetectFromFile(filename);
            // Get the best Detection
            DetectionDetail resultDetected = result.Detected;

            // detected result may be null.
            if (resultDetected != null)
            {
                // Get the alias of the found encoding
                string encodingName = resultDetected.EncodingName;
                // Get the System.Text.Encoding of the found encoding (can be null if not available)
                Encoding encoding = resultDetected.Encoding;
                // Get the confidence of the found encoding (between 0 and 1)
                float confidence = resultDetected.Confidence;

                if (encoding != null)
                {
                    Console.WriteLine($"Detection completed: {filename}");
                    Console.WriteLine($"EncodingWebName: {encoding.WebName}{Environment.NewLine}Confidence: {confidence}");
                }
                else
                {
                    Console.WriteLine($"Detection completed: {filename}");
                    Console.WriteLine($"(Encoding is null){Environment.NewLine}EncodingName: {encodingName}{Environment.NewLine}Confidence: {confidence}");
                }
            }
            else
            {
                Console.WriteLine($"Detection failed: {filename}");
            }
        }
    }
}

ภาพหน้าจอผลลัพธ์ตัวอย่าง: ใส่คำอธิบายภาพที่นี่

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.