C # में स्ट्रिंग की एन्कोडिंग का निर्धारण करें


127

क्या C # में स्ट्रिंग की एन्कोडिंग निर्धारित करने का कोई तरीका है?

कहो, मेरे पास एक फ़ाइल नाम स्ट्रिंग है, लेकिन मुझे नहीं पता कि यह यूनिकोड UTF-16 में एन्कोडेड है या सिस्टम-डिफ़ॉल्ट एन्कोडिंग है, मुझे कैसे पता चलेगा?


आप यूनिकोड में "एनकोड" नहीं कर सकते। और किसी भी अन्य पूर्व सूचना के बिना किसी भी दिए गए स्ट्रिंग के एन्कोडिंग को स्वचालित रूप से निर्धारित करने का कोई तरीका नहीं है ।
निकोलस डुमाज़ेट

5
शायद स्पष्ट होने के लिए: यदि आप सांकेतिक शब्दों में बदलना एक "एन्कोडिंग" योजना (utf- का उपयोग कर एक वर्ण सेट का बाइट तार में यूनिकोड कोड-अंक , आईएसओ , Big5, Shift-JIS, आदि ...), और आप को डिकोड एक से बाइट तार चरित्र यूनिकोड के लिए सेट। आप यूनिकोड में बाइटस्ट्रेस को एनकोड नहीं करते हैं। आप यूनिकोड को बाईटस्टर में डिकोड नहीं करते हैं।
निकोलस डुमाज़ेट

13
@ न्यूकाडज - स्वयं एन्कोडिंग (विशेष रूप से UTF-16 में) को आमतौर पर "यूनिकोड" भी कहा जाता है। सही या गलत, यही जीवन है। .NET में भी, Encoding.Unicode को देखें - जिसका अर्थ है UTF-16।
मार्क ग्रेवेल

2
ओह ठीक है, मुझे नहीं पता था कि .NET इतना भ्रामक था। यह सीखने के लिए एक भयानक आदत की तरह दिखता है। और क्षमा करें @krebstar, यह मेरा उद्देश्य नहीं था (मुझे अभी भी लगता है कि आपका संपादित प्रश्न पहले की तुलना में बहुत अधिक समझ में आता है)
निकोलस डुमाज़ेट

1
@ निकुद्म # 1: संभावित रूप से यह निर्धारित करने का एक तरीका है कि किस एन्कोडिंग का उपयोग किया जाए। इसके लिए IE (और अब एफएफ के साथ देखें - कैरेक्टर एनकोडिंग - ऑटो-डिटेक्ट) को भी देखें: यह एक एन्कोडिंग की कोशिश करता है और देखें कि क्या यह संभवतः "अच्छी तरह से लिखा गया है <किसी भाषा का नाम यहां>> डाल दें या इसे बदल दें और फिर से कोशिश करें। । चलो, यह मजेदार हो सकता है!
स्निपीहोलो डब्ल्यूडब्ल्यू

जवाबों:


31

Utf8Checker देखें यह सरल वर्ग है जो शुद्ध प्रबंधित कोड में ठीक यही करता है। http://utf8checker.codeplex.com

सूचना: जैसा कि पहले ही बताया गया है "एन्कोडिंग निर्धारित करें" केवल बाइट धाराओं के लिए समझ में आता है। यदि आपके पास एक स्ट्रिंग है तो यह पहले से ही किसी के साथ एनकोडेड है जो पहले से ही स्ट्रिंग प्राप्त करने के लिए एन्कोडिंग को पहले से जानता या अनुमान लगाता है।


यदि स्ट्रिंग केवल 8-बिट एन्कोडिंग के साथ किया गया एक गलत डिकोडिंग है और आपके पास इसे डिकोड करने के लिए उपयोग किया गया एन्कोडिंग है, तो आप आमतौर पर किसी भी भ्रष्टाचार के बिना बाइट्स वापस पा सकते हैं , हालांकि।
Nyerguds

57

नीचे दिए गए कोड में निम्नलिखित विशेषताएं हैं:

  1. UTF-7, UTF-8/16/32 का पता लगाने या प्रयास करने का पता लगाने (बम, कोई बम, छोटा और बड़ा एंडियन)
  2. यदि कोई यूनिकोड एन्कोडिंग नहीं मिला तो स्थानीय डिफ़ॉल्ट कोडपेज पर वापस आ जाता है।
  3. BOM / हस्ताक्षर गायब होने के साथ (उच्च संभावना के साथ) यूनिकोड फ़ाइलों का पता लगाता है
  4. एन्कोडिंग निर्धारित करने में मदद करने के लिए फ़ाइल के अंदर charset = xyz और एन्कोडिंग = xyz के लिए खोजें।
  5. प्रसंस्करण को बचाने के लिए, आप फ़ाइल (बाइट्स की निश्चित संख्या) का स्वाद ले सकते हैं।
  6. एन्कोडिंग और डीकोड की गई फ़ाइल वापस कर दी जाती है।
  7. विशुद्ध रूप से दक्षता के लिए बाइट-आधारित समाधान

जैसा कि अन्य लोगों ने कहा है, कोई भी समाधान सही नहीं हो सकता है (और निश्चित रूप से दुनिया भर में उपयोग किए जा रहे विभिन्न 8-बिट विस्तारित ASCII एन्कोडिंग में आसानी से अंतर नहीं किया जा सकता है), लेकिन हम विशेष रूप से 'अच्छा पर्याप्त' प्राप्त कर सकते हैं यदि डेवलपर भी उपयोगकर्ता को प्रस्तुत करता है यहाँ दिखाए गए अनुसार वैकल्पिक एनकोडिंग की एक सूची: प्रत्येक भाषा का सबसे आम एन्कोडिंग क्या है?

एन्कोडिंग की एक पूरी सूची का उपयोग करके पाया जा सकता है 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;
}

यह सिरिलिक (और शायद अन्य सभी) के लिए काम करता है। मेल की (हेडर की हेडर से) फाइलें
Nime Cloud

UTF-7 को वास्तविक रूप से डिकोड नहीं किया जा सकता है; इसकी पूरी प्रस्तावना लंबी है, और इसमें पहले अक्षर के दो टुकड़े शामिल हैं। .Net प्रणाली को UTF7 की प्रस्तावना प्रणाली के लिए कोई समर्थन नहीं है।
Nyerguds

जब मेरे द्वारा जाँच की गई अन्य विधियों में से कोई भी मदद नहीं की तो मेरे लिए काम किया! धन्यवाद डैन।
तेजस्वी हेगड़े

आपके समाधान के लिए धन्यवाद। मैं इसे पूरी तरह से अलग स्रोतों से फ़ाइलों पर एन्कोडिंग निर्धारित करने के लिए उपयोग कर रहा हूं। हालांकि मुझे जो मिला, वह यह है कि यदि मैं बहुत कम मूल्य का उपयोग करता हूं, तो परिणाम गलत हो सकता है। (जैसे कि कोड एक UTF8 फ़ाइल के लिए Encoding.Default को वापस कर रहा था, भले ही मैं b .ength / 10 का उपयोग कर रहा था। मेरे लिए। ऐसा लगता है कि मैं केवल यह निष्कर्ष निकाल सकता हूं कि Encoding.Default स्वीकार्य है अगर और केवल अगर मैंने पूरी फ़ाइल को स्कैन किया है।
सीन

@ सीन: यह तब है जब गति सटीकता से अधिक मायने रखती है, विशेष रूप से फाइलों के लिए जो आकार में दर्जनों या सैकड़ों मेगाबाइट हो सकती हैं। मेरे अनुभव में, कम टस्टर वैल्यू से भी सही परिणाम मिल सकते हैं ~ 99.9% समय। आपका अनुभव अलग हो सकता है।
डैन डब्ल्यू

33

यह निर्भर करता है कि स्ट्रिंग 'कहाँ से आई है'। एक .NET स्ट्रिंग यूनिकोड (UTF-16) है। एक ही तरीका अलग हो सकता है यदि आप कहते हैं, डेटाबेस से डेटा को बाइट सरणी में पढ़ें।

यह CodeProject लेख रुचि का हो सकता है: इन-आउट और आउटगोइंग टेक्स्ट के लिए एन्कोडिंग का पता लगाएं

जॉन स्कीट के स्ट्रिंग्स C # और .NET में .NET स्ट्रिंग्स की एक उत्कृष्ट व्याख्या है।


यह एक गैर-यूनिकोड C ++ ऐप से आया है। कोडप्रोजेक्ट लेख थोड़ा जटिल लगता है, हालांकि ऐसा लगता है कि मैं जो करना चाहता हूं .. धन्यवाद ..
krebstar

18

मुझे पता है कि यह थोड़ा देर से है - लेकिन स्पष्ट होने के लिए:

एक स्ट्रिंग में वास्तव में एन्कोडिंग नहीं है ... .NET में एक स्ट्रिंग चार ऑब्जेक्ट्स का संग्रह है। अनिवार्य रूप से, यदि यह एक स्ट्रिंग है, तो यह पहले ही डिकोड हो चुका है।

हालाँकि यदि आप किसी फ़ाइल की सामग्री को पढ़ रहे हैं, जो बाइट्स से बना है, और उसे स्ट्रिंग में बदलना चाहते हैं, तो फ़ाइल के एन्कोडिंग का उपयोग करना होगा।

.NET में एन्कोडिंग और डिकोडिंग कक्षाएं शामिल हैं: ASCII, UTF7, UTF8, UTF32 और अधिक।

इनमें से अधिकांश एनकोडिंग में कुछ बाइट-ऑर्डर चिह्न होते हैं जिनका उपयोग यह अंतर करने के लिए किया जा सकता है कि कौन सी एन्कोडिंग प्रकार का उपयोग किया गया था।

.NET क्लास System.IO.StreamReader उन बाइट-ऑर्डर चिह्नों को पढ़कर, एक स्ट्रीम के भीतर उपयोग किए गए एन्कोडिंग को निर्धारित करने में सक्षम है;

यहाँ एक उदाहरण है:

    /// <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
यह बिना BOM के UTF 16 का पता लगाने के लिए काम नहीं करेगा। यदि यह किसी भी यूनिकोड एन्कोडिंग का पता लगाने में विफल रहता है, तो न ही यह उपयोगकर्ता के स्थानीय डिफ़ॉल्ट कोडपेज पर वापस आएगा। आप Encoding.DefaultStreamReader पैरामीटर के रूप में जोड़कर उत्तरार्द्ध को ठीक कर सकते हैं , लेकिन तब कोड बिना BOM के UTF8 का पता नहीं लगाएगा।
डान डब्ल्यू

1
@ डान: क्या यूटीएफ -16 बिना बीओएम वास्तव में कभी बना है, हालांकि? मैं कभी इसका इस्तेमाल नहीं करूंगा; यह बहुत कुछ पर खोलने के लिए एक आपदा होने के लिए बाध्य है।
Nyerguds

11

एक और विकल्प, आने में बहुत देर हो गई, क्षमा करें:

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

यह छोटा C # -ऑनलाइन क्लास BOMS का उपयोग करता है यदि मौजूद है, तो अन्यथा यूनिकोड एनकोडिंग को संभव बनाने का प्रयास करता है, और यदि कोई भी यूनिकोड एनकोडिंग संभव या संभव नहीं है, तो वापस गिर जाता है।

ऐसा लगता है कि ऊपर संदर्भित UTF8Checker कुछ ऐसा ही करता है, लेकिन मुझे लगता है कि यह गुंजाइश में थोड़ा व्यापक है - सिर्फ UTF8 के बजाय, यह अन्य संभावित यूनिकोड एनकोडिंग (UTF-16 LE या BE) के लिए भी जाँच करता है जो BOM को याद नहीं कर सकते हैं।

आशा है कि यह किसी की मदद करता है!


सुंदर अच्छा कोड है, यह पता लगाने एन्कोडिंग की :) मेरी समस्या हल
CARLOS विमुख

9

SimpleHelpers.FileEncoding Nuget पैकेज लपेटता एक मोज़िला यूनिवर्सल वर्णसेट डिटेक्टर की सी # बंदरगाह एक मृत-सरल एपीआई में:

var encoding = FileEncoding.DetectFileEncoding(txtFile);

यह अधिक होना चाहिए, यह एक बहुत ही सरल समाधान प्रदान करता है: दूसरों को कार्य करने दें: D
बडबलब

यह लाइब्रेरी GPL है
A br

क्या यह? मुझे एक MIT लाइसेंस दिखाई देता है और यह ट्रिपल-लाइसेंस प्राप्त घटक (UDE) का उपयोग करता है, जिसमें से एक MPL है। मैं यह निर्धारित करने की कोशिश कर रहा हूं कि क्या यूडीडी एक मालिकाना उत्पाद के लिए समस्याग्रस्त था, इसलिए यदि आपके पास अधिक जानकारी है, तो इसकी बहुत सराहना की जाएगी।
साइमन वुड्स

5

मेरा समाधान कुछ कमियों के साथ अंतर्निहित सामान का उपयोग करना है।

स्टैकओवरफ्लो पर इसी तरह के एक और सवाल के जवाब से मैंने रणनीति बनाई, लेकिन अब मैं इसे नहीं खोज सकता।

यह BOM को पहले स्ट्रीमराइडर में बिल्ट-इन लॉजिक का उपयोग करके देखता है, अगर BOM है, तो एन्कोडिंग कुछ और होगी Encoding.Default , और हमें उस परिणाम पर भरोसा करना चाहिए।

यदि नहीं, तो यह जांचता है कि बाइट्स अनुक्रम वैध यूटीएफ -8 अनुक्रम है या नहीं। यदि यह है, तो यह UTF-8 को एन्कोडिंग के रूप में अनुमान लगाएगा, और यदि नहीं, तो फिर से, डिफ़ॉल्ट ASCII एन्कोडिंग परिणाम होगा।

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

नोट: यह देखने के लिए एक प्रयोग था कि UTF-8 एन्कोडिंग ने आंतरिक रूप से कैसे काम किया। विकिल्वेन द्वारा पेश किया गया समाधान , UTF8Encodingउस वस्तु का उपयोग करने के लिए जिसे डिकोडिंग विफलता पर एक अपवाद को फेंकने के लिए आरम्भ किया जाता है, बहुत सरल है, और मूल रूप से एक ही काम करता है।


मैंने इस कोड को UTF-8 और Windows-1252 के बीच अंतर करने के लिए लिखा था। यह विशाल पाठ फ़ाइलों के लिए उपयोग नहीं किया जाना चाहिए, क्योंकि यह पूरी चीज़ को मेमोरी में लोड करता है और इसे पूरी तरह से स्कैन करता है। मैंने इसे .srt उपशीर्षक फ़ाइलों के लिए उपयोग किया था, बस उन्हें वापस उस एन्कोडिंग में सहेजने में सक्षम होने के लिए जिसमें वे लोड किए गए थे।

फ़ाइल के रूप में मान्य UTF-8 नहीं होने की स्थिति में उपयोग करने के लिए फ़ंक्शन को दिए गए एन्कोडिंग को 8-बिट फ़ॉलबैक एन्कोडिंग होना चाहिए; आमतौर पर, विंडोज सिस्टम पर, यह विंडोज -1252 होगा। यह वास्तविक वैध एससीआई पर्वतमाला की जाँच जैसे फैंसी कुछ भी नहीं करता है, और यूटीएफ -16 का बाइट ऑर्डर मार्क पर भी पता नहीं लगाता है।

बिटवाइज़ डिटेक्शन के पीछे का सिद्धांत यहां पाया जा सकता है: https://ianthehenry.com/2015/1/17/decoding-utf-8/

मूल रूप से, पहले बाइट की बिट रेंज यह निर्धारित करती है कि कितने के बाद यह UTF-8 इकाई का हिस्सा है। इसके बाद ये बाइट्स हमेशा एक ही बिट रेंज में होते हैं।

/// <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;
}

इसके elseबाद कोई अंतिम विवरण नहीं है if ((current & 0xE0) == 0xC0) { ... } else if ((current & 0xF0) == 0xE0) { ... } else if ((current & 0xF0) == 0xE0) { ... } else if ((current & 0xF8) == 0xF0) { ... }। मुझे लगता है कि elseमामला अमान्य utf8 होगा isUtf8Valid = false;:। क्या तुम?
hal

@ आह, सच ... मैंने तब से अपने कोड को एक अधिक सामान्य (और अधिक उन्नत) प्रणाली के साथ अपडेट किया है जो एक लूप का उपयोग करता है जो 3 तक जाता है लेकिन तकनीकी रूप से आगे लूप में बदला जा सकता है (चश्मा उस पर थोड़ा अस्पष्ट हैं , मुझे लगता है कि यूटीएफ -8 का विस्तार 6 से जोड़ा गया बाइट्स करना संभव है, लेकिन वर्तमान कार्यान्वयन में केवल 3 का उपयोग किया जाता है), इसलिए मैंने इस कोड को अपडेट नहीं किया।
Nyerguds

@ मेरे नए समाधान के लिए इसे अपडेट करें। सिद्धांत समान रहता है, लेकिन कोड में सभी स्पष्ट रूप से लिखे जाने के बजाय बिट मास्क बनाए जाते हैं और लूप में जांचे जाते हैं।
Nyerguds

1

मुझे GitHub पर नई लाइब्रेरी मिली: CharsetDetector / UTF-अज्ञात

चारसेट डिटेक्टर C # - .NET कोर 2-3, .NET मानक 1-2 और .NET 4+ में बनाते हैं

यह मोज़िला यूनिवर्सल चार्सेट डिटेक्टर का एक बंदरगाह भी है अन्य रिपॉजिटरी के आधार पर है।

चारसेटडेक्टर / यूटीएफ-अज्ञात में एक वर्ग है जिसका नाम हैCharsetDetector

CharsetDetector कुछ स्थिर एन्कोडिंग विधियों का पता लगाता है:

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

पाया गया परिणाम कक्षा DetectionResultमें है Detectedजिसमें विशेषता है जो DetectionDetailनिम्न विशेषताओं के साथ वर्ग का उदाहरण है :

  • EncodingName
  • Encoding
  • Confidence

नीचे उपयोग दिखाने के लिए एक उदाहरण है:

// 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}");
            }
        }
    }
}

उदाहरण परिणाम स्क्रीनशॉट: यहाँ छवि विवरण दर्ज करें

हमारी साइट का प्रयोग करके, आप स्वीकार करते हैं कि आपने हमारी Cookie Policy और निजता नीति को पढ़ और समझा लिया है।
Licensed under cc by-sa 3.0 with attribution required.