判断一段文件是UTF-8编码还是GB2312的编码方式
2012-03-10 16:01
537 查看
对于只包含中文和英文的文本中判断编码方式是非常简单的,中文的编码方式最常用的是GBK,字符集更大的如GBK向下兼容GB2312,其中包含的的很多一部分字符是我们在日常生活中用不到的,因此在实际中我们一般只需要区分GB2312和UTF8编码。这里我只是提供一种可行的方法,如果判断GBK也可以采用类似的方式首先分析一下汉字在GB2312中的编码方式,gb2312规则汉字采用双字节编码其中第一字节161~247,第二字节161~254,其中含有边界条件。而utf8的编码方式可以看如下表示:
这样我们就可以由编码方式上的差异来进行GB2312和UTF8编码识别,下面给出代码
代码范围十六进制 | 标量值(scalar value)二进制 | UTF-8二进制/十六进制 | 注释 |
---|---|---|---|
000000 - 00007F128个代码 | 00000000 00000000 0zzzzzzz | 0zzzzzzz(00-7F) | ASCII字符范围,字节由零开始 |
七个z | 七个z | ||
000080 - 0007FF1920个代码 | 00000000 00000yyy yyzzzzzz | 110yyyyy(C0-DF) 10zzzzzz(80-BF) | 第一个字节由110开始,接着的字节由10开始 |
三个y;二个y;六个z | 五个y;六个z | ||
000800 - 00D7FF00E000 - 00FFFF61440个代码 [Note 1] | 00000000 xxxxyyyy yyzzzzzz | 1110xxxx(E0-EF) 10yyyyyy 10zzzzzz | 第一个字节由1110开始,接着的字节由10开始 |
四个x;四个y;二个y;六个z | 四个x;六个y;六个z | ||
010000 - 10FFFF1048576个代码 | 000wwwxx xxxxyyyy yyzzzzzz | 11110www(F0-F7) 10xxxxxx 10yyyyyy 10zzzzzz | 将由11110开始,接着的字节由10开始 |
unsigned int countGBK(const char * str){assert(str != NULL);unsigned int len = (unsigned int)strlen (str);unsigned int counter = 0;unsigned char head = 0x80;unsigned char firstChar, secondChar;for (unsigned int i = 0; i < len - 1; ++i){firstChar = (unsigned char)str[i];if (!(firstChar & head))continue;secondChar = (unsigned char)str[i];if (firstChar >= 161 && firstChar <= 247 && secondChar>=161 && secondChar <= 254){counter+= 2;++i;}}return counter;}unsigned int countUTF8(const char * str){assert(str != NULL);unsigned int len = (unsigned int)strlen (str);unsigned int counter = 0;unsigned char head = 0x80;unsigned char firstChar;for (unsigned int i = 0; i < len; ++i){firstChar = (unsigned char)str[i];if (!(firstChar & head))continue;unsigned char tmpHead = head;unsigned int wordLen = 0 , tPos = 0;while (firstChar & tmpHead){++ wordLen;tmpHead >>= 1;}if (wordLen <= 1)continue; //utf8最小长度为2wordLen --;if (wordLen + i >= len)break;for (tPos = 1; tPos <= wordLen; ++tPos){unsigned char secondChar = (unsigned char)str[i + tPos];if (!(secondChar & head))break;}if (tPos > wordLen){counter += wordLen + 1;i += wordLen;}}return counter;}bool beUtf8(const char *str){unsigned int iGBK = countGBK(str);unsigned int iUTF8= countUTF8(str);if (iUTF8 > iGBK)return true;return false;}
countUTF8和countGBK分别是为了在文本中数符合UTF8编码和GB2312编码方式的字的数量,beUtf8则看哪种编码方式覆盖了更多的字符,则认为该文本属于哪种字符集。注意从编码方式可以看出有部分GB2312编码方式和UTF8编码是冲突的,例如以C0和C1开头的汉字和UTF8编码方式重叠,所有if (iUTF8 > iGBK)return true;这个判断语句有没有等号则偏向于哪种方式在文本中更常用,如果含有等号,例如在识别“图片”这个词时编码会被误识别为utf8编码。
相关文章推荐
- 判断一段文件是UTF-8编码还是GB2312的编码方式
- 如何自动识别判断url中的中文参数是GB2312还是Utf-8编码?
- 判断URL中的中文参数是GB2312还是Utf-8编码
- 如何判断一个文件的编码格式是gb2312还是gbk等
- 自动识别判断url中的中文参数是GB2312还是Utf-8编码
- 根据字节值判断文件的编码方式
- 各种编码的来历--做网站用UTF-8还是GB2312(转)
- php 判断字符串编码是utf-8 或gb2312实例
- [转] vim使用技巧--如何把所编辑文件的编码方式改为utf-8
- Learning Python 016 写文件时,将其用指定的编码方式保存(比如:UTF-8无BOM编码方式)
- 各种编码的来历--做网站用UTF-8还是GB2312(转)
- 做网站用UTF-8编码还是GB2312编码?
- Windows中notepad以UTF-8编码保存文件时实际上用的是UTF-8+BOM编码方式
- [转] vim使用技巧--如何把所编辑文件的编码方式改为utf-8
- 判断文件是否是UTF-8编码
- 判断一个字符串编码是utf-8还是gbk
- 做网站用UTF-8编码还是GB2312编码?
- 在eclipse中设置了编码方式为utf-8,但是在创建properties文件时没有进行变化
- 做网站用UTF-8编码还是GB2312编码?
- 用VBS判断无BOM头的文件是否UTF-8编码