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?
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?
जवाबों:
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।
नीचे दिए गए कोड में निम्नलिखित विशेषताएं हैं:
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 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।
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;
}
}
Encoding.Default
StreamReader पैरामीटर के रूप में जोड़कर उत्तरार्द्ध को ठीक कर सकते हैं , लेकिन तब कोड बिना BOM के UTF8 का पता नहीं लगाएगा।
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!
SimpleHelpers.FileEncoding Nuget पैकेज लपेटता एक मोज़िला यूनिवर्सल वर्णसेट डिटेक्टर की सी # बंदरगाह एक मृत-सरल एपीआई में:
var encoding = FileEncoding.DetectFileEncoding(txtFile);
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;
}
}
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 , UTF8Encoding
उस 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;
}
else
बाद 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 else
मामला अमान्य utf8 होगा isUtf8Valid = false;
:। क्या तुम?
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 DetectionResult
में है Detected
जिसमें विशेषता है जो DetectionDetail
निम्न 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}");
}
}
}
}