如何判断一个文本文件的编码

分析过程

windows下的Notepad记事本软件在另存的时候可以选择保存的编码方式。

我们可以在记事本中输入同样的文本，如“a严”。

ANSI方式我们用UtralEdit查看二进制信息可以看到：

这里a对应的ANSI编码为61，严对应的ANSI编码为D1 CF。

Unicode BE编码下的二进制信息：

开头的2个字节为FE FF,a的二进制表现为00 61，严的二进制表现为4E 25。

那么我们再来看下Unicode编码方式（Unicode LE）的二进制信息。

我们可以看到开头的2个字节为FF FE,a的二进制表现为61 00，严的二进制表现为25 4E。

我们再来看下UTF-8的二进制信息：

开头3个字节为EF BB BF,a的二进制表现为61,严的二进制表现为E4 B8 A5。
这里要特别注意的是如果是UTF-8 without BOM编码是没有头三个字节的。我们需要按照UTF-8的编码规范去判断字符编码是否符合UTF-8的编码规范。

检测策略

1. 如果2个字节是0xFF 0xFE,则以Unicode（LE）的方式读取
2. 如果2个字节是0xFE 0xFF,则以Unicode BE的方式读取
3. 如果前2个字节是0xEF 0xBB，那么判断第3个字节是不是0xBF，如果是的话就以UTF-8的方式进行读取。
4. 判断是否符合UTF-8的编码规范，如果符合就以UTF-8的方式进行读取
5. 如果以上都不是，则以ANSI的方式进行读取。

代码实现

首先，首先一个enum class作为检测的返回值

enum class Encode { ANSI = 1, UNICODE_LE, UNICODE_BE, UTF8, UTF8_NOBOM };

然后我们可以根据上面总结的规律进行判断。

Encode DetectEncode(const PBYTE pBuffer, long length)
{
    if (pBuffer[0] == 0xFF && pBuffer[1] == 0xFE)
    {
        return Encode::UNICODE_LE;
    }
    else if (pBuffer[0] == 0xFE && pBuffer[1] == 0xFF)
    {
        return Encode::UNICODE_BE;
    }
    else if (pBuffer[0] == 0xEF && pBuffer[1] == 0xBB && pBuffer[2] == 0xBF)
    {
        return Encode::UTF8;
    }
    else if (CheckUnicodeWithoutBOM(pBuffer, length))
    {
        return Encode::UTF8_NOBOM;
    }
    else
    {
        return Encode::ANSI;
    }
}

下面附上如何检测UTF-8 without BOM的代码实现。

BOOL CheckUnicodeWithoutBOM(const PBYTE pText, long length)
{
    int i;
    DWORD nBytes = 0;
    UCHAR chr;

    BOOL bAllAscii = TRUE;
    for (i = 0; i < length; i++)
    {
        chr = *(pText + i);
        if ((chr & 0x80) != 0)
            bAllAscii = FALSE;
        if (nBytes == 0)
        {
            if (chr >= 0x80)
            {
                if (chr >= 0xFC && chr <= 0xFD)
                    nBytes = 6;
                else if (chr >= 0xF8)
                    nBytes = 5;
                else if (chr >= 0xF0)
                    nBytes = 4;
                else if (chr >= 0xE0)
                    nBytes = 3;
                else if (chr >= 0xC0)
                    nBytes = 2;
                else
                {
                    return FALSE;
                }
                nBytes--;
            }
        }
        else
        {
            if ((chr & 0xC0) != 0x80)
            {
                return FALSE;
            }
            nBytes--;
        }
    }
    if (nBytes > 0)
    {
        return FALSE;
    }
    if (bAllAscii)
    {
        return FALSE;
    }
    return TRUE;
}

参考资料

1. The Notepad encoding detection issues keep coming up
2. 简析Windows Notepad里可选的字符编码
3. 字符编码笔记：ASCII，Unicode和UTF-8
4. 字符集和字符编码（Charset & Encoding）
5. Some code to detect charset (for XML, in Java)
6. How can I detect the encoding/codepage of a text file