C＃で文字列のエンコードを決定する
C＃で文字列のエンコーディングを決定する方法はありますか？
たとえば、ファイル名の文字列はありますが、エンコードされているかどうかはわかりません Unicode UTF-16またはシステムデフォルトのエンコーディング、どうすればわかりますか？
Utf8Checkerを確認してください。これは、純粋なマネージコードでまさにこれを行う単純なクラスです。 http://utf8checker.codeplex.com
注意：既に指摘したように、「エンコードの決定」はバイトストリームに対してのみ意味があります。文字列がある場合、最初に文字列を取得するために既にエンコードを知っているか推測した途中で誰かから既にエンコードされています。
以下のコードには、次の機能があります。
- UTF-7、UTF-8/16/32の検出または検出の試行（ボム、ボムなし、リトルエンディアン）
- Unicodeエンコーディングが見つからなかった場合、ローカルのデフォルトコードページにフォールバックします。
- BOM /署名が欠落しているユニコードファイルを（高い確率で）検出します
- ファイル内でcharset = xyzおよびencoding = xyzを検索して、エンコーディングの決定に役立てます。
- 処理を節約するために、ファイルを「味わう」ことができます（定義可能なバイト数）。
- エンコードおよびデコードされたテキストファイルが返されます。
- 効率のための純粋にバイトベースのソリューション
他の人が言ったように、完璧な解決策はありません（そして、世界中で使用されているさまざまな8ビット拡張ASCIIエンコードを簡単に区別することはできません）。また、開発者はユーザーに次のような代替エンコーディングのリストを提示します。 各言語の最も一般的なエンコーディングは何ですか？
エンコーディングの完全なリストは、Encoding.GetEncodings();を使用して見つけることができます
// 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: https://stackoverflow.com/questions/6555015/check-for-invalid-utf8
// For our purposes, an unnecessarily strict (and terser/slower)
// implementation is shown at: https://stackoverflow.com/questions/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: https://stackoverflow.com/questions/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;
}
文字列が「どこから来た」かによって異なります。 .NET文字列はUnicode（UTF-16）です。たとえば、データベースからデータをバイト配列に読み込む場合、それが異なる唯一の方法です。
このCodeProjectの記事は興味深いかもしれません： 入力テキストと出力テキストのエンコーディングを検出
Jon Skeetの C＃および.NETの文字列 は、.NET文字列の優れた説明です。
私はこれが少し遅いことを知っています-しかし、明確にするために：
文字列には実際にはエンコードがありません... .NETでは、文字列はcharオブジェクトのコレクションです。基本的に、文字列の場合、すでにデコードされています。
ただし、バイトで構成されるファイルの内容を読み取り、それを文字列に変換する場合は、ファイルのエンコーディングを使用する必要があります。
.NETには、ASCII、UTF7、UTF8、UTF32などのエンコードおよびデコードクラスが含まれています。
これらのエンコーディングのほとんどには、使用されたエンコーディングタイプを区別するために使用できる特定のバイト順マークが含まれています。
.NETクラスSystem.IO.StreamReaderは、これらのバイト順マークを読み取ることにより、ストリーム内で使用されるエンコーディングを決定できます。
以下に例を示します。
/// <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;
}
}
別のオプション、非常に遅れてごめんなさい：
http://www.architectshack.com/TextFileEncodingDetector.ashx
この小さなC＃のみのクラスは、存在する場合はBOMSを使用し、そうでない場合は可能性のあるUnicodeエンコードを自動検出し、Unicodeエンコードが不可能または可能性がない場合はフォールバックします。
上記のUTF8Checkerは似たようなことをしているように聞こえますが、これは少し範囲が広いと思います-UTF8だけでなく、BOMが欠落している可能性のある他のUnicodeエンコーディング（UTF-16 LEまたはBE）もチェックします.
これが誰かを助けることを願っています！
SimpleHelpers.FileEncoding Nugetパッケージは、 Mozilla Universal Charset DetectorのC＃ポート をシンプルなAPIにラップします。
var encoding = FileEncoding.DetectFileEncoding(txtFile);
私の解決策は、いくつかのフォールバックを備えた組み込みのものを使用することです。
私はstackoverflowに関する別の同様の質問への回答から戦略を選びましたが、今それを見つけることができません。
StreamReaderの組み込みロジックを使用して最初にBOMをチェックします。BOMがある場合、エンコードはEncoding.Default以外のものになり、その結果を信頼する必要があります。
そうでない場合、バイトシーケンスが有効なUTF-8シーケンスであるかどうかをチェックします。そうである場合、エンコードとしてUTF-8を推測し、そうでない場合、デフォルトのASCIIエンコードが結果になります。
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;
}
}
注：これは、UTF-8エンコードが内部でどのように機能するかを確認するための実験でした。 vilicvaneが提供するソリューション 、デコード失敗時に例外をスローするために初期化されたUTF8Encodingオブジェクトを使用するため、はるかに単純で、基本的に同じことを行います。
UTF-8とWindows-1252を区別するために、このコードを書きました。ただし、巨大なテキストファイルには使用しないでください。すべてをメモリに読み込み、完全にスキャンするからです。 .srt字幕ファイルに使用しましたが、単にそれらが読み込まれたエンコーディングで保存できるようにするためです。
Refとして関数に与えられるエンコーディングは、ファイルが有効なUTF-8でないと検出された場合に使用する8ビットのフォールバックエンコーディングでなければなりません。通常、Windowsシステムでは、これはWindows-1252になります。ただし、これは実際の有効なASCII範囲をチェックするような空想的なことは何もせず、バイトオーダーマークであってもUTF-16を検出しません。
ビット単位の検出の背後にある理論は、ここにあります： https://ianthehenry.com/2015/1/17/decoding-utf-8/
基本的に、最初のバイトのビット範囲は、UTF-8エンティティの一部である後のバイト数を決定します。その後のこれらのバイトは常に同じビット範囲にあります。
/// <summary>
/// Detects whether the encoding of the data is valid UTF-8 or ascii. If detection fails, the text is decoded using the given fallback encoding.
/// Bit-wise mechanism for detecting valid UTF-8 based on https://ianthehenry.com/2015/1/17/decoding-utf-8/
/// Note that pure ascii detection should not be trusted: it might mean the file is meant to be UTF-8 or Windows-1252 but simply contains no special characters.
/// </summary>
/// <param name="docBytes">The bytes of the text document.</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, or Windows-1252 if the given encoding parameter is null and the text is not valid UTF-8.</param>
/// <returns>The contents of the read file</returns>
public static String ReadFileAndGetEncoding(Byte[] docBytes, ref Encoding encoding)
{
if (encoding == null)
encoding = Encoding.GetEncoding(1252);
// BOM detection is not added in this example. Add it yourself if you feel like it. Should set the "encoding" param and return the decoded string.
//String file = DetectByBOM(docBytes, ref encoding);
//if (file != null)
// return file;
Boolean isPureAscii = true;
Boolean isUtf8Valid = true;
for (Int32 i = 0; i < docBytes.Length; i++)
{
Int32 skip = TestUtf8(docBytes, i);
if (skip != 0)
{
if (isPureAscii)
isPureAscii = false;
if (skip < 0)
isUtf8Valid = false;
else
i += skip;
}
// if already detected that it's not valid utf8, there's no sense in going on.
if (!isUtf8Valid)
break;
}
if (isPureAscii)
encoding = new ASCIIEncoding(); // pure 7-bit ascii.
else if (isUtf8Valid)
encoding = new UTF8Encoding(false);
// else, retain given fallback encoding.
return encoding.GetString(docBytes);
}
/// <summary>
/// Tests if the bytes following the given offset are UTF-8 valid, and returns
/// the extra amount of bytes to skip ahead to do the next read if it is
/// (meaning, detecting a single-byte ascii character would return 0).
/// 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 extra 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)
{
Byte current = binFile[offset];
if ((current & 0x80) == 0)
return 0; // valid 7-bit ascii. Added length is 0 bytes.
else
{
Int32 len = binFile.Length;
Int32 fullmask = 0xC0;
Int32 testmask = 0;
for (Int32 addedlength = 1; addedlength < 6; addedlength++)
{
// 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.
testmask = fullmask;
fullmask += (0x40 >> addedlength);
// Test bit mask for this level
if ((current & fullmask) == testmask)
{
// End of file. Might be cut off, but either way, deemed invalid.
if (offset + addedlength >= len)
return -1;
else
{
// Lookahead. Pattern of any following bytes is always 10xxxxxx
for (Int32 i = 1; i <= addedlength; i++)
{
// If it does not match the pattern for an added byte, it is deemed invalid.
if ((binFile[offset + i] & 0xC0) != 0x80)
return -1;
}
return addedlength;
}
}
}
// Value is greater than the start of a 6-byte utf8 sequence. Deemed invalid.
return -1;
}
}