हाँ एक सबसे लगातार सवाल है, और यह मामला मेरे लिए अस्पष्ट है और चूंकि मुझे इसके बारे में ज्यादा जानकारी नहीं है।
लेकिन मैं एनकोडिंग फ़ाइलों को खोजने के लिए एक बहुत ही सटीक तरीका चाहूंगा। तो नोटपैड ++ जितना सटीक है।
हाँ एक सबसे लगातार सवाल है, और यह मामला मेरे लिए अस्पष्ट है और चूंकि मुझे इसके बारे में ज्यादा जानकारी नहीं है।
लेकिन मैं एनकोडिंग फ़ाइलों को खोजने के लिए एक बहुत ही सटीक तरीका चाहूंगा। तो नोटपैड ++ जितना सटीक है।
जवाबों:
StreamReader.CurrentEncoding
संपत्ति शायद ही कभी सही पाठ फ़ाइल मेरे लिए एन्कोडिंग देता है। मुझे एक फाइल के एंडियननेस को निर्धारित करने में अधिक सफलता मिली है, इसके बाइट ऑर्डर मार्क (BOM) का विश्लेषण करके। यदि फ़ाइल में BOM नहीं है, तो यह फ़ाइल के एन्कोडिंग को निर्धारित नहीं कर सकता है।
* UTF-32LE का पता लगाने और UTF-32BE के लिए सही एन्कोडिंग वापस करने के लिए 4/08/2020 अपडेट किया गया
/// <summary>
/// Determines a text file's encoding by analyzing its byte order mark (BOM).
/// Defaults to ASCII when detection of the text file's endianness fails.
/// </summary>
/// <param name="filename">The text file to analyze.</param>
/// <returns>The detected encoding.</returns>
public static Encoding GetEncoding(string filename)
{
// Read the BOM
var bom = new byte[4];
using (var file = new FileStream(filename, FileMode.Open, FileAccess.Read))
{
file.Read(bom, 0, 4);
}
// Analyze the BOM
if (bom[0] == 0x2b && bom[1] == 0x2f && bom[2] == 0x76) return Encoding.UTF7;
if (bom[0] == 0xef && bom[1] == 0xbb && bom[2] == 0xbf) return Encoding.UTF8;
if (bom[0] == 0xff && bom[1] == 0xfe && bom[2] == 0 && bom[3] == 0) return Encoding.UTF32; //UTF-32LE
if (bom[0] == 0xff && bom[1] == 0xfe) return Encoding.Unicode; //UTF-16LE
if (bom[0] == 0xfe && bom[1] == 0xff) return Encoding.BigEndianUnicode; //UTF-16BE
if (bom[0] == 0 && bom[1] == 0 && bom[2] == 0xfe && bom[3] == 0xff) return new UTF32Encoding(true, true); //UTF-32BE
// We actually have no idea what the encoding is if we reach this point, so
// you may wish to return null instead of defaulting to ASCII
return Encoding.ASCII;
}
StreamReader
, कि कार्यान्वयन अधिक लोग क्या चाहते हैं जाएगा। वे मौजूदा Encoding.Unicode
वस्तुओं का उपयोग करने के बजाय नए एनकोडिंग बनाते हैं, इसलिए समानता की जांच विफल हो जाएगी (जो शायद ही कभी भी हो सकता है क्योंकि, उदाहरण के लिए, Encoding.UTF8
विभिन्न वस्तुओं को वापस कर सकता है), लेकिन यह (1) वास्तव में अजीब यूटीएफ -7 प्रारूप का उपयोग नहीं करता है, (2) कोई बीओएम नहीं मिलने पर यूटीएफ -8 में चूक, और (3) एक अलग डिफ़ॉल्ट एन्कोडिंग का उपयोग करने के लिए ओवरराइड किया जा सकता है।
00 00 FE FF
) का पता लगाते हैं , तो आप सिस्टम-प्रदान लौटाते हैं Encoding.UTF32
, जो थोड़ा-सा एंडियन एन्कोडिंग है (जैसा कि यहां बताया गया है )। और यह भी, जैसा कि @Nyerguds द्वारा नोट किया गया है, आप अभी भी UTF32LE की तलाश नहीं कर रहे हैं, जिसमें हस्ताक्षर हैं FF FE 00 00
( en.wikipedia.org/wiki/Byte_order_mark के अनुसार )। जैसा कि उस उपयोगकर्ता ने उल्लेख किया है, क्योंकि यह निर्वाह है, उस चेक को 2-बाइट चेक से पहले आना चाहिए।
StreamReader
कक्षा का उपयोग करते हुए, निम्नलिखित कोड मेरे लिए ठीक काम करता है :
using (var reader = new StreamReader(fileName, defaultEncodingIfNoBom, true))
{
reader.Peek(); // you need this!
var encoding = reader.CurrentEncoding;
}
चाल Peek
कॉल का उपयोग करने के लिए है , अन्यथा, .NET ने कुछ भी नहीं किया है (और यह प्रस्तावना, बीओएम नहीं पढ़ा है)। बेशक, अगर आप ReadXXX
एन्कोडिंग की जांच करने से पहले किसी अन्य कॉल का उपयोग करते हैं, तो यह भी काम करता है।
यदि फ़ाइल में कोई BOM नहीं है, तो defaultEncodingIfNoBom
एन्कोडिंग का उपयोग किया जाएगा। इस अधिभार विधि के बिना भी एक StreamReader है (इस मामले में, डिफ़ॉल्ट (ANSI) एन्कोडिंग को defaultEncodingIfNoBom के रूप में उपयोग किया जाएगा), लेकिन मैं आपको यह परिभाषित करने की सलाह देता हूं कि आप अपने संदर्भ में डिफ़ॉल्ट एन्कोडिंग को क्या मानते हैं।
मैंने इसे UTF8, UTF16 / Unicode (LE & BE) और UTF32 (LE & BE) के लिए BOM वाली फ़ाइलों के साथ सफलतापूर्वक परीक्षण किया है। यह UTF7 के लिए काम नहीं करता है।
foreach($filename in $args) { $reader = [System.IO.StreamReader]::new($filename, [System.Text.Encoding]::default,$true); $peek = $reader.Peek(); $reader.currentencoding | select bodyname,encodingname; $reader.close() }
UTF-8 without BOM
मैं निम्नलिखित चरणों की कोशिश करूँगा:
1) बाइट ऑर्डर मार्क है या नहीं, इसकी जांच करें
2) जांचें कि क्या फ़ाइल वैध UTF8 है
3) स्थानीय "ANSI" कोडपेज का उपयोग करें (ANSI Microsoft इसे परिभाषित करता है)
चरण 2 काम करता है क्योंकि अन्य गैर- ASCII अनुक्रमिकों में अन्य UTF8 UTF8 मान्य नहीं हैं।
Utf8Encoding
एक अतिरिक्त पैरामीटर में पारित कर सकते हैं जो यह निर्धारित करता है कि क्या अपवाद को फेंक दिया जाना चाहिए या यदि आप मूक डेटा भ्रष्टाचार पसंद करते हैं।
इसे देखो।
यह मोज़िला यूनिवर्सल चार्सेट डिटेक्टर का एक बंदरगाह है और आप इसे इस तरह से उपयोग कर सकते हैं ...
public static void Main(String[] args)
{
string filename = args[0];
using (FileStream fs = File.OpenRead(filename)) {
Ude.CharsetDetector cdet = new Ude.CharsetDetector();
cdet.Feed(fs);
cdet.DataEnd();
if (cdet.Charset != null) {
Console.WriteLine("Charset: {0}, confidence: {1}",
cdet.Charset, cdet.Confidence);
} else {
Console.WriteLine("Detection failed.");
}
}
}
The library is subject to the Mozilla Public License Version 1.1 (the "License"). Alternatively, it may be used under the terms of either the GNU General Public License Version 2 or later (the "GPL"), or the GNU Lesser General Public License Version 2.1 or later (the "LGPL").
@CodesInChaos द्वारा प्रस्तावित चरणों के लिए कार्यान्वयन विवरण प्रदान करना:
1) बाइट ऑर्डर मार्क है या नहीं, इसकी जांच करें
2) जांचें कि क्या फ़ाइल वैध UTF8 है
3) स्थानीय "ANSI" कोडपेज का उपयोग करें (ANSI Microsoft इसे परिभाषित करता है)
चरण 2 काम करता है क्योंकि अधिकांश गैर-ASCII अनुक्रमिकों में अन्य अनुक्रमित हैं जो UTF8 मान्य UTF8 नहीं हैं। https://stackoverflow.com/a/4522251/867248 अधिक विवरण में रणनीति की व्याख्या करता है।
using System; using System.IO; using System.Text;
// Using encoding from BOM or UTF8 if no BOM found,
// check if the file is valid, by reading all lines
// If decoding fails, use the local "ANSI" codepage
public string DetectFileEncoding(Stream fileStream)
{
var Utf8EncodingVerifier = Encoding.GetEncoding("utf-8", new EncoderExceptionFallback(), new DecoderExceptionFallback());
using (var reader = new StreamReader(fileStream, Utf8EncodingVerifier,
detectEncodingFromByteOrderMarks: true, leaveOpen: true, bufferSize: 1024))
{
string detectedEncoding;
try
{
while (!reader.EndOfStream)
{
var line = reader.ReadLine();
}
detectedEncoding = reader.CurrentEncoding.BodyName;
}
catch (Exception e)
{
// Failed to decode the file using the BOM/UT8.
// Assume it's local ANSI
detectedEncoding = "ISO-8859-1";
}
// Rewind the stream
fileStream.Seek(0, SeekOrigin.Begin);
return detectedEncoding;
}
}
[Test]
public void Test1()
{
Stream fs = File.OpenRead(@".\TestData\TextFile_ansi.csv");
var detectedEncoding = DetectFileEncoding(fs);
using (var reader = new StreamReader(fs, Encoding.GetEncoding(detectedEncoding)))
{
// Consume your file
var line = reader.ReadLine();
...
reader.Peek()
इसके बजाय का उपयोग करना पसंद करूंगा while (!reader.EndOfStream) { var line = reader.ReadLine(); }
reader.Peek()
पूरी धारा नहीं पढ़ता। मैंने पाया कि बड़ी धाराओं के साथ, Peek()
अपर्याप्त था। मैं reader.ReadToEndAsync()
इसके बजाय इस्तेमाल किया।
var Utf8EncodingVerifier = Encoding.GetEncoding("utf-8", new EncoderExceptionFallback(), new DecoderExceptionFallback());
यह try
एक लाइन को पढ़ते समय ब्लॉक में उपयोग की जाती है । यदि एनकोडर प्रदान किए गए पाठ को पार्स करने में विफल रहता है (पाठ utf8 के साथ एन्कोडेड नहीं है), Utf8EncodingVerifier फेंक देगा। अपवाद पकड़ा गया है और हम तब जानते हैं कि पाठ utf8 नहीं है, और ISO-8859-1 के लिए डिफ़ॉल्ट है
निम्नलिखित कोड मेरे पॉवर्सशेल कोड हैं, जो यह निर्धारित करते हैं कि कुछ सीपीपी या एच या एमएल फाइलें बिना बीओएम के आईएसओ-8859-1 (लैटिन -1) या यूटीएफ -8 के साथ एनकोडिंग हैं, अगर नहीं तो मान लें कि यह जीबी 1 बी 30 है। मैं फ्रांस में काम कर रहा एक चीनी हूं और MSVC फ्रेंच कंप्यूटर पर लैटिन -1 के रूप में बचाता है और चीनी कंप्यूटर पर जीबी के रूप में बचाता है, इसलिए यह मेरे सिस्टम और मेरे सहयोगियों के बीच स्रोत फ़ाइल का आदान-प्रदान करते समय मुझे एन्कोडिंग समस्या से बचने में मदद करता है।
रास्ता सरल है, यदि सभी वर्ण x00-x7E, ASCII, UTF-8 और लैटिन -1 के बीच हैं, तो सभी समान हैं, लेकिन यदि मैं UTF-8 द्वारा एक गैर ASCII फ़ाइल पढ़ता हूं, तो हम विशेष वर्ण शो करेंगे , इसलिए लैटिन -1 के साथ पढ़ने की कोशिश करें। लैटिन -1 में, \ x7F और \ xAF के बीच खाली है, जबकि GB x00-xFF के बीच पूर्ण का उपयोग करता है, अगर मुझे दोनों के बीच कोई मिला, तो यह लैटिन -1 नहीं है
कोड PowerShell में लिखा गया है, लेकिन .net का उपयोग करता है इसलिए इसे C # या F # में अनुवादित किया जाना आसान है
$Utf8NoBomEncoding = New-Object System.Text.UTF8Encoding($False)
foreach($i in Get-ChildItem .\ -Recurse -include *.cpp,*.h, *.ml) {
$openUTF = New-Object System.IO.StreamReader -ArgumentList ($i, [Text.Encoding]::UTF8)
$contentUTF = $openUTF.ReadToEnd()
[regex]$regex = '�'
$c=$regex.Matches($contentUTF).count
$openUTF.Close()
if ($c -ne 0) {
$openLatin1 = New-Object System.IO.StreamReader -ArgumentList ($i, [Text.Encoding]::GetEncoding('ISO-8859-1'))
$contentLatin1 = $openLatin1.ReadToEnd()
$openLatin1.Close()
[regex]$regex = '[\x7F-\xAF]'
$c=$regex.Matches($contentLatin1).count
if ($c -eq 0) {
[System.IO.File]::WriteAllLines($i, $contentLatin1, $Utf8NoBomEncoding)
$i.FullName
}
else {
$openGB = New-Object System.IO.StreamReader -ArgumentList ($i, [Text.Encoding]::GetEncoding('GB18030'))
$contentGB = $openGB.ReadToEnd()
$openGB.Close()
[System.IO.File]::WriteAllLines($i, $contentGB, $Utf8NoBomEncoding)
$i.FullName
}
}
}
Write-Host -NoNewLine 'Press any key to continue...';
$null = $Host.UI.RawUI.ReadKey('NoEcho,IncludeKeyDown');
.NET बहुत उपयोगी नहीं है, लेकिन आप निम्नलिखित एल्गोरिथ्म की कोशिश कर सकते हैं:
यहाँ कॉल है:
var encoding = FileHelper.GetEncoding(filePath);
if (encoding == null)
throw new Exception("The file encoding is not supported. Please choose one of the following encodings: UTF8/UTF7/iso-8859-1");
यहाँ कोड है:
public class FileHelper
{
/// <summary>
/// Determines a text file's encoding by analyzing its byte order mark (BOM) and if not found try parsing into diferent encodings
/// Defaults to UTF8 when detection of the text file's endianness fails.
/// </summary>
/// <param name="filename">The text file to analyze.</param>
/// <returns>The detected encoding or null.</returns>
public static Encoding GetEncoding(string filename)
{
var encodingByBOM = GetEncodingByBOM(filename);
if (encodingByBOM != null)
return encodingByBOM;
// BOM not found :(, so try to parse characters into several encodings
var encodingByParsingUTF8 = GetEncodingByParsing(filename, Encoding.UTF8);
if (encodingByParsingUTF8 != null)
return encodingByParsingUTF8;
var encodingByParsingLatin1 = GetEncodingByParsing(filename, Encoding.GetEncoding("iso-8859-1"));
if (encodingByParsingLatin1 != null)
return encodingByParsingLatin1;
var encodingByParsingUTF7 = GetEncodingByParsing(filename, Encoding.UTF7);
if (encodingByParsingUTF7 != null)
return encodingByParsingUTF7;
return null; // no encoding found
}
/// <summary>
/// Determines a text file's encoding by analyzing its byte order mark (BOM)
/// </summary>
/// <param name="filename">The text file to analyze.</param>
/// <returns>The detected encoding.</returns>
private static Encoding GetEncodingByBOM(string filename)
{
// Read the BOM
var byteOrderMark = new byte[4];
using (var file = new FileStream(filename, FileMode.Open, FileAccess.Read))
{
file.Read(byteOrderMark, 0, 4);
}
// Analyze the BOM
if (byteOrderMark[0] == 0x2b && byteOrderMark[1] == 0x2f && byteOrderMark[2] == 0x76) return Encoding.UTF7;
if (byteOrderMark[0] == 0xef && byteOrderMark[1] == 0xbb && byteOrderMark[2] == 0xbf) return Encoding.UTF8;
if (byteOrderMark[0] == 0xff && byteOrderMark[1] == 0xfe) return Encoding.Unicode; //UTF-16LE
if (byteOrderMark[0] == 0xfe && byteOrderMark[1] == 0xff) return Encoding.BigEndianUnicode; //UTF-16BE
if (byteOrderMark[0] == 0 && byteOrderMark[1] == 0 && byteOrderMark[2] == 0xfe && byteOrderMark[3] == 0xff) return Encoding.UTF32;
return null; // no BOM found
}
private static Encoding GetEncodingByParsing(string filename, Encoding encoding)
{
var encodingVerifier = Encoding.GetEncoding(encoding.BodyName, new EncoderExceptionFallback(), new DecoderExceptionFallback());
try
{
using (var textReader = new StreamReader(filename, encodingVerifier, detectEncodingFromByteOrderMarks: true))
{
while (!textReader.EndOfStream)
{
textReader.ReadLine(); // in order to increment the stream position
}
// all text parsed ok
return textReader.CurrentEncoding;
}
}
catch (Exception ex) { }
return null; //
}
}
सी # के लिए यहाँ देखो
https://msdn.microsoft.com/en-us/library/system.io.streamreader.currentencoding%28v=vs.110%29.aspx
string path = @"path\to\your\file.ext";
using (StreamReader sr = new StreamReader(path, true))
{
while (sr.Peek() >= 0)
{
Console.Write((char)sr.Read());
}
//Test for the encoding after reading, or at least
//after the first read.
Console.WriteLine("The encoding used was {0}.", sr.CurrentEncoding);
Console.ReadLine();
Console.WriteLine();
}