दिलचस्प पोस्ट
एजेक्स पोस्ट की जेक्जरी जांच की सफलता क्या मैं चयनकर्ताओं के लिए चर का उपयोग कर सकता हूं? ओरेकल एसक्यूएल डेवलपर में दी गई तालिका को किस तालिका में पता लगाया जा सकता है? बुलियन ऑपरेटर में अंतर: & बनाम && और | बनाम || उच्छृंखल – पुराने संस्करण में वापस लौटना और वहां से जारी रखें ग्रैडल और एंड्रॉइड स्टूडियो के जरिए बिल्डिंग और रनिंग ऐप एक्लिप्स के माध्यम से धीमी है सी # में वर्तमान निष्पादन योग्य का नाम कैसे प्राप्त करूं? WordPress रूट निर्देशिका पथ पुनर्प्राप्त करें? इकाई फ़्रेमवर्क 4.1+ कई-से-कई रिश्तों को ट्रैकिंग बदलते हैं क्या VBA के पास शब्दकोश संरचना है? Angular.js में मार्गों की परिभाषा को कैसे तय किया जाए? Php स्ट्रिंग से सभी एचटीएमएल टैग निकालें एंड्रॉइड एप्लिकेशन को कैसे बंद करें? initializer_list और स्थानांतरित करें शब्दों PDO का उपयोग कर सहायक फ़ंक्शन डालें / अपडेट करें

सी # में एक स्ट्रिंग एन्कोडिंग निर्धारित करें

सी # में एक स्ट्रिंग एन्कोडिंग निर्धारित करने के लिए कोई तरीका है?

कहो, मेरे पास एक फ़ाइल नाम है, लेकिन मुझे नहीं पता कि क्या यह यूनिकोड यूटीएफ -16 या सिस्टम-डीफॉल्ट एन्कोडिंग में एन्कोड किया गया है, मैं कैसे पता लगा सकता हूं?

वेब के समाधान से एकत्रित समाधान "सी # में एक स्ट्रिंग एन्कोडिंग निर्धारित करें"

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

सूचना: जैसा कि पहले ही बताया गया है "एन्कोडिंग निर्धारित करें" केवल बाइट स्ट्रीम के लिए समझ में आता है। यदि आपके पास स्ट्रिंग है तो पहले से ही स्ट्रिंग को पाने के लिए एन्कोडिंग के बारे में पहले से ही पता चल गया है या अनुमान लगाए गए रास्ते से किसी से यह पहले ही एन्कोड किया गया है।

नीचे दिए गए कोड में निम्नलिखित विशेषताएं हैं:

  1. यूटीएफ -7, यूटीएफ -8 / 16/32 (बीओएम, कोई बॉम, थोड़ा और बड़ा एडीएनआई) का पता लगाने या प्रयास करने का प्रयास
  2. यूनिकोड एन्कोडिंग नहीं मिला अगर स्थानीय डिफ़ॉल्ट कोडपेज पर वापस आ गया है।
  3. बीओएम / हस्ताक्षर लापता साथ यूनिकोड फाइलों (उच्च संभावना के साथ) का पता लगाता है
  4. एन्कोडिंग निर्धारित करने में मदद के लिए वर्णसेट = एक्सआईज और एन्कोडिंग = xyz फ़ाइल के अंदर की खोज
  5. प्रसंस्करण को बचाने के लिए, आप फ़ाइल को 'स्वाद' (निश्चित संख्या बाइट्स) कर सकते हैं।
  6. एन्कोडिंग और डीकोड किया गया पाठ फ़ाइल वापस आ गई है
  7. दक्षता के लिए शुद्ध रूप से बाइट-आधारित समाधान

जैसा कि अन्य लोगों ने कहा है, कोई भी समाधान सही नहीं हो सकता (और निश्चित रूप से दुनिया भर में उपयोग में विभिन्न 8-बिट विस्तारित एएससीआईआई एन्कोडिंग के बीच अंतर नहीं हो सकता है), लेकिन हम 'अच्छा पर्याप्त' प्राप्त कर सकते हैं, खासकर अगर डेवलपर उपयोगकर्ता को भी प्रस्तुत करता है यहां दिखाए गए अनुसार वैकल्पिक एन्कोडिंग की एक सूची: प्रत्येक भाषा का सबसे आम एन्कोडिंग क्या है?

एन्कोडिंग की एक पूरी सूची एन्कोडिंग का उपयोग करके पाई जा सकती 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: 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; } 

यह निर्भर करता है कि जहां स्ट्रिंग 'से आया' एक। नेट स्ट्रिंग यूनिकोड (यूटीएफ -16) है। एकमात्र तरीका यह अलग हो सकता है यदि आप कहते हैं, डाटाबेस से डेटा को एक बाइट सरणी में पढ़ा।

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

जॉन स्कीट की स्ट्रिंग्स इन सी # और .NET एनएटी स्ट्रिंग्स का एक उत्कृष्ट स्पष्टीकरण है।

मुझे पता है कि यह थोड़ा देर है – लेकिन स्पष्ट होना चाहिए:

स्ट्रिंग में वास्तव में एन्कोडिंग नहीं है … .net में स्ट्रिंग चार वस्तुओं का एक संग्रह है मूलतः, यदि यह एक स्ट्रिंग है, तो यह पहले से ही डीकोड हो चुका है।

हालांकि यदि आप एक फ़ाइल की सामग्री पढ़ रहे हैं, जो बाइट्स से बना है, और उसे एक स्ट्रिंग में कनवर्ट करना चाहते हैं, तो फ़ाइल का एन्कोडिंग का उपयोग किया जाना चाहिए।

। एएनएससीआईआई, यूटीएफ 7, यूटीएफ 8, यूटीएफ 32 और अधिक के लिए एनकोडिंग और डीकोडिंग कक्षाएं शामिल हैं।

इन एन्कोडिंग में से अधिकांश में कुछ बाइट-ऑर्डर के निशान होते हैं जिनका उपयोग एन्कोडिंग प्रकार का इस्तेमाल करने के लिए किया जा सकता है।

.NET क्लास सिस्टम। आईओएसस्ट्रीम रीडर उन बाइट-ऑर्डर के निशानों को पढ़ने के द्वारा प्रयुक्त 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; } } 

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

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

यह छोटा सी # -नाना वर्ग यदि मौजूद है तो BOMS का उपयोग करता है, अन्यथा संभावित यूनिकोड एनकोडिंग को स्वत: पता लगाने का प्रयास करता है, और अगर यूनिकोड एनकोडिंग में से कोई भी संभव हो या संभव हो

ऐसा लगता है कि ऊपर उल्लिखित यूटीएफ 8 चेकर की तरह कुछ समान होता है, लेकिन मुझे लगता है कि यह थोड़ा-बहुत गुंजाइश है – बस यूटीएफ 8 की बजाय, यह अन्य संभव यूनिकोड एनकोडिंग (यूटीएफ -16 ले या बीई) की जांच भी कर सकता है जो संभवतः एक बीओएम लापता हो सकता है।

उम्मीद है कि यह किसी को मदद करता है!

मेरा समाधान कुछ फ़ॉलबैक के साथ अंतर्निर्मित सामान का उपयोग करना है।

मैंने स्टैकवॉवरफ्लो पर एक और इसी तरह के प्रश्न के उत्तर से रणनीति को चुना है लेकिन अब मुझे यह नहीं मिल रहा है।

यह स्ट्रीम रीडर में अंतर्निहित तर्क का उपयोग करके पहले BOM की जांच करता है, अगर वहाँ BOM है, एन्कोडिंग एन्कोडिंग के अलावा कुछ और होगा। Encoding.Default , और हमें उस परिणाम पर भरोसा करना चाहिए

यदि नहीं, तो यह जांचता है कि बाइट्स अनुक्रम वैध UTF-8 अनुक्रम है या नहीं। अगर ऐसा है, तो यह यूटीएफ -8 एन्कोडिंग के रूप में अनुमान लगाएगा, और यदि नहीं, तो फिर, 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; } } 

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

 var encoding = FileEncoding.DetectFileEncoding(txtFile); 

मैंने यूटीएफ -8 और विंडोज -1252 के बीच अंतर करने के लिए कोड का यह टुकड़ा लिखा है इसका इस्तेमाल विशाल पाठ फ़ाइलों के लिए नहीं किया जाना चाहिए, क्योंकि यह पूरी बात को स्मृति में लोड करता है और इसे पूरी तरह से स्कैन करता है मैं इसे एसएसटीआर उपशीर्षक फाइलों के लिए इस्तेमाल किया, सिर्फ उन्हें एन्कोडिंग में सहेजने में सक्षम होने के लिए जिसमें वे लोड किए गए थे।

फ़ंक्शन को दिए गए एन्कोडिंग को रिफ के रूप में उपयोग करने के लिए 8-बिट फ़ॉलबैक एन्कोडिंग होना चाहिए, यदि फ़ाइल को मान्य UTF-8 नहीं माना गया है; आमतौर पर, विंडोज़ सिस्टम पर, यह विंडोज -1252 होगा यद्यपि वास्तविक मान्य एएससीआई सीमाओं की जांच करना यह कुछ भी फैंसी नहीं करता है, और बाइट ऑर्डर के निशान पर भी यूटीएफ -16 का पता नहीं लगाता है।

Bitwise पहचान के पीछे के सिद्धांत यहां पाये जा सकते हैं: https://ianthehenry.com/2015/1/17/decoding-utf-8/

असल में, पहली बाइट की बिट श्रेणी निर्धारित करती है कि यह यूटीएफ -8 इकाई का हिस्सा क्यों है। यह बाइट्स हमेशा एक ही बिट रेंज में होती है।

 /// <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; } }