সি # তে একটি স্ট্রিংয়ের এনকোডিং নির্ধারণ করুন


127

C # তে কোনও স্ট্রিংয়ের এনকোডিং নির্ধারণ করার কোনও উপায় আছে কি?

বলুন, আমার কাছে ফাইলের একটি স্ট্রিং রয়েছে, তবে আমি জানি না এটি ইউনিকোড ইউটিএফ -16 বা সিস্টেম-ডিফল্ট এনকোডিংয়ে এনকোড করা আছে, আমি কীভাবে এটি সন্ধান করব?


আপনি ইউনিকোডে "এনকোড" করতে পারবেন না। এবং অন্য কোনও পূর্বের তথ্য ছাড়াই স্বয়ংক্রিয়ভাবে কোনও প্রদত্ত স্ট্রিংয়ের এনকোডিং নির্ধারণ করার কোনও উপায় নেই ।
নিকোলাস ডুমাজেট

5
আরও পরিষ্কার হতে পারে: আপনি "এনকোডিং" স্কিম (utf- , iso- , big5, shif-jis, ইত্যাদি ...) ব্যবহার করে একটি অক্ষর সেট বাইট স্ট্রিংগুলিতে ইউনিকোড কোড-পয়েন্টগুলি এনকোড করেন এবং আপনি একটি থেকে বাইট স্ট্রিংগুলি ডিকোড করেন অক্ষর ইউনিকোড সেট। আপনি ইউনিকোডে বাইটস্ট্রিংগুলি এনকোড করবেন না। আপনি বাইটস্ট্রিংগুলিতে ইউনিকোড ডিকোড করবেন না।
নিকোলাস ডুমাজেট

13
@ নিকডুনজেড - নিজেই এনকোডিং (বিশেষত ইউটিএফ -16) সাধারণত "ইউনিকোড" নামেও পরিচিত। সঠিক বা ভুল, এটিই জীবন। এমনকি নেটও, এনকোডিং.উইনকোড - যার অর্থ UTF-16 দেখুন।
মার্ক গ্র্যাভেল

2
ওহ ভাল, আমি জানি না। নেট এত বিভ্রান্তিকর ছিল। এটি দেখতে ভয়ঙ্কর অভ্যাসের মতো দেখাচ্ছে। এবং দুঃখিত @ ক্রেবস্টার, এটি আমার উদ্দেশ্য ছিল না (আমি এখনও মনে করি যে আপনার সম্পাদিত প্রশ্নটি এখন আগের তুলনায় অনেক বেশি জ্ঞান লাভ করে)
নিকোলাস দুমাজেট

1
@ নিকডুমজ # 1: কোন এনকোডিংটি ব্যবহার করবেন তা সম্ভাব্যভাবে নির্ধারণ করার একটি উপায় রয়েছে। আইই কী করে দেখুন (এবং এখন দেখুন - চরিত্রের এনকোডিং - স্বতঃ-সনাক্তকরণ) এর জন্য এটি কী: এটি একটি এনকোডিং চেষ্টা করে দেখুন এটি সম্ভবত "ভালভাবে লিখিত আছে <একটি ভাষার নাম এখানে রেখেছেন" "বা এটি পরিবর্তন করে আবার চেষ্টা করে । আসুন, এই মজা হতে পারে!
স্নিপিহোল্লোডব্লিউ

উত্তর:


31

উতফ 8 টি পরীক্ষা করে দেখুন এটি সাধারণ শ্রেণি যা খাঁটি পরিচালিত কোডে ঠিক এটি করে। http://utf8checker.codeplex.com

বিজ্ঞপ্তি: ইতিমধ্যে চিহ্নিত হিসাবে "এনকোডিং নির্ধারণ" কেবল বাইট স্ট্রিমগুলির জন্যই বোঝায়। আপনার যদি স্ট্রিং থাকে তবে ইতিমধ্যে সেই স্ট্রিংটি প্রথম স্থানে পাওয়ার জন্য এনকোডিংটি আগে থেকেই জানেন বা অনুমান করেছিলেন এমন পথেই এটি ইতিমধ্যে এনকোড করা হয়েছে।


যদি স্ট্রিংটি একটি ভুল ডিকোডিং হয় যা কেবল 8-বিট এনকোডিং দিয়ে করা হয় এবং আপনার এনকোডিংটি ডিকোড করার জন্য ব্যবহৃত হয়, তবে আপনি সাধারণত কোনও দুর্নীতি ছাড়াই বাইটগুলি ফিরে পেতে পারেন
নায়ারগডস

57

নীচের কোডটিতে নিম্নলিখিত বৈশিষ্ট্য রয়েছে:

  1. ইউটিএফ -7, ইউটিএফ -8 / 16/32 সনাক্তকরণ বা সনাক্তকরণের চেষ্টা (বোম, কোনও বোম, ছোট এবং বড় এন্ডিয়ান) নেই
  2. কোনও ইউনিকোড এনকোডিং পাওয়া না গেলে স্থানীয় ডিফল্ট কোডপেজটিতে ফিরে যায়।
  3. বিওএম / স্বাক্ষর নেই বলে ইউনিকোড ফাইলগুলি (উচ্চ সম্ভাবনার সাথে) সনাক্ত করে
  4. এনকোডিং নির্ধারণে সহায়তার জন্য ফাইলের ভিতরে চরসেট = xyz এবং এনকোডিং = xyz অনুসন্ধান করে for
  5. প্রক্রিয়াজাতকরণ সংরক্ষণ করতে, আপনি ফাইলটি 'স্বাদ' নিতে পারেন (বাইটের নির্দিষ্ট সংখ্যা)।
  6. এনকোডিং এবং ডিকোড করা পাঠ্য ফাইলটি ফিরে এসেছে।
  7. দক্ষতার জন্য বিশুদ্ধরূপে বাইট-ভিত্তিক সমাধান

অন্যরা যেমন বলেছে, কোনও সমাধানই নিখুঁত হতে পারে না (এবং অবশ্যই বিশ্বব্যাপী ব্যবহৃত বিভিন্ন 8-বিট বর্ধিত এএসসিআইআই এনকোডিংগুলির মধ্যে সহজেই পার্থক্য করা যায় না) তবে আমরা 'যথেষ্ট ভাল' পেতে পারি বিশেষত যদি বিকাশকারীও ব্যবহারকারীকে উপস্থাপন করে এখানে প্রদর্শিত বিকল্প এনকোডিংগুলির একটি তালিকা: প্রতিটি ভাষার সর্বাধিক সাধারণ এনকোডিং কী?

এনকোডিংগুলির একটি সম্পূর্ণ তালিকা ব্যবহার করে পাওয়া যাবে 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: /programming/6555015/check-for-invalid-utf8
    // For our purposes, an unnecessarily strict (and terser/slower)
    // implementation is shown at: /programming/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: /programming/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;
}

এটি সিরিলিক (এবং সম্ভবত অন্যান্য সমস্ত) ইমেল ফাইলগুলির জন্য কাজ করে (মেলের চরসেট শিরোনাম থেকে)
নাইম ক্লাউড

ইউটিএফ -7 এ বাস্তবে ডিকোড করা যায় না, আসলে; এর সম্পূর্ণ উপস্থাপিকা দীর্ঘতর এবং এতে প্রথম চরিত্রের দুটি বিট অন্তর্ভুক্ত রয়েছে। ইউটিএফ 7 এর উপস্থাপক সিস্টেমটির জন্য। নেট সিস্টেমটির কোনও সমর্থন নেই বলে মনে হচ্ছে।
নাইয়ারগডস

আমার জন্য পরিশ্রম করা যখন আমি পরীক্ষিত অন্যান্য পদ্ধতিগুলির কোনওরই সহায়তা না করে! ধন্যবাদ ড্যান
তেজস্বী হেগদে

আপনার সমাধানের জন্য ধন্যবাদ। আমি সম্পূর্ণ ভিন্ন উত্স থেকে ফাইলগুলিতে এনকোডিং নির্ধারণ করতে এটি ব্যবহার করছি। আমি যা পেয়েছি তা হ'ল আমি যদি স্বাদমূল্যের খুব কম ব্যবহার করি তবে ফলাফলটি ভুল হতে পারে। (যেমন কোডটি ইউটিএফ 8 ফাইলের জন্য এনকোডিং ফিরিয়ে আনছে? ডিফল্ট, যদিও আমি বি। লেংথ / 10 কে আমার স্বাদক হিসাবে ব্যবহার করেছি)) তাই আমি ভাবছিলাম, বি.লংথের চেয়ে কম টেস্টার ব্যবহারের যুক্তি কী? মনে হচ্ছে আমি কেবল এই সিদ্ধান্তে পৌঁছতে পারি যে এনকোডিং D ডিফল্টটি গ্রহণযোগ্য যদি কেবলমাত্র আমি পুরো ফাইলটি স্ক্যান করেছি ned
শন

@ শিয়ান: গতি যখন নির্ভুলতার চেয়ে বেশি, বিশেষত এমন ফাইলগুলির জন্য যা আকারের কয়েক ডজন বা কয়েকশত মেগাবাইট হতে পারে for আমার অভিজ্ঞতা হিসাবে, এমনকি একটি স্বল্প স্বাদযুক্ত মান সঠিক ফলাফল পেতে পারে time সময়ের 99.9%। আপনার অভিজ্ঞতা পৃথক হতে পারে।
ড্যান ডাব্লু

33

এটি নির্ভর করে যে স্ট্রিংটি 'কোথা থেকে এসেছে'। একটি .NET স্ট্রিং হ'ল ইউনিকোড (UTF-16)। আপনি যদি বলুন, কোনও ডাটাবেস থেকে ডেটা বাইট অ্যারেতে পড়েন তবে এটির একমাত্র উপায়।

এই কোডপ্রজেক্ট নিবন্ধটি আগ্রহী হতে পারে: ইন-এবং আউটগোয়িং পাঠ্যের জন্য এনকোডিং সনাক্ত করুন

জেন স্কিটের স্ট্রিংস সি # এবং .NET .NET স্ট্রিংগুলির একটি দুর্দান্ত ব্যাখ্যা।


এটি একটি অ-ইউনিকোড সি ++ অ্যাপ্লিকেশন থেকে এসেছে .. কোডপ্রজেক্ট নিবন্ধটি কিছুটা জটিল বলে মনে হচ্ছে, তবে আমি যা করতে চাই তা মনে হচ্ছে .. ধন্যবাদ ..
krebstar

18

আমি জানি এটি কিছুটা দেরি হয়েছে - তবে স্পষ্ট করে বলার জন্য:

স্ট্রিংটিতে আসলে এনকোডিং থাকে না ... .NET এ স্ট্রিংটি চর অবজেক্টের সংকলন। মূলত, এটি যদি একটি স্ট্রিং হয় তবে এটি ইতিমধ্যে ডিকোড হয়েছে।

তবে আপনি যদি কোনও ফাইলের বিষয়বস্তু পড়তে থাকেন যা বাইটস দিয়ে তৈরি হয় এবং সেটিকে স্ট্রিংয়ে রূপান্তর করতে চান তবে ফাইলটির এনকোডিং অবশ্যই ব্যবহার করা উচিত।

.NET এর জন্য এনকোডিং এবং ডিকোডিং ক্লাস অন্তর্ভুক্ত করে: ASCII, UTF7, UTF8, UTF32 এবং আরও অনেক কিছু।

এর মধ্যে বেশিরভাগ এনকোডিংগুলিতে কিছু নির্দিষ্ট বাইট-অর্ডার চিহ্ন থাকে যা কোন এনকোডিং প্রকারটি ব্যবহৃত হয়েছিল তা পার্থক্য করতে ব্যবহার করা যেতে পারে।

.NET বর্গ সিস্টেম.আইও.স্ট্রিম রিডার এই বাইট-অর্ডার চিহ্নগুলি পড়ে একটি স্ট্রিমের মধ্যে ব্যবহৃত এনকোডিং নির্ধারণ করতে সক্ষম হয়;

এখানে একটি উদাহরণ:

    /// <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;
        }
    }

3
এটি বিওএম ছাড়াই ইউটিএফ 16 সনাক্ত করার জন্য কাজ করবে না। যদি কোনও ইউনিকোড এনকোডিং সনাক্ত করতে ব্যর্থ হয় তবে তা ব্যবহারকারীর স্থানীয় ডিফল্ট কোডপেজের কাছে ফিরে আসবে না। আপনি Encoding.Defaultস্ট্রিমরিডার প্যারামিটার হিসাবে যুক্ত করে পরবর্তীটি ঠিক করতে পারেন , তবে তারপরে কোডটি বিওএম ছাড়াই ইউটিএফ 8 সনাক্ত করতে পারে না।
ড্যান ডব্লু

1
@ ড্যানডাব্লু: বিএমএস ছাড়াই ইউটিএফ -16 আসলে কি কখনও সম্পন্ন হয়েছে? আমি কখনই এটি ব্যবহার করব না; এটি বেশিরভাগ কিছুই খুলতে দুর্যোগ হতে বাধ্য।
নায়ারগডস

11

আর একটি বিকল্প, আসতে খুব দেরী, দুঃখিত:

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

এই ছোট সি #-শুধুমাত্র ক্লাসটি উপস্থিত থাকলে বিওএমএস ব্যবহার করে, অন্যথায় সম্ভাব্য ইউনিকোড এনকোডিংগুলি স্বয়ংক্রিয়ভাবে সনাক্ত করার চেষ্টা করে এবং ইউনিকোড এনকোডিংগুলির কোনওটিই সম্ভব না হলে বা সম্ভব না হয়ে ফিরে আসে।

ইউটিএফ 8 চেকার উপরের রেফারেন্সযুক্ত অনুরূপ কিছু করেছে বলে মনে হচ্ছে তবে আমি মনে করি এটি স্কোপ থেকে কিছুটা বিস্তৃত - কেবলমাত্র ইউটিএফ 8 এর পরিবর্তে এটি অন্যান্য সম্ভাব্য ইউনিকোড এনকোডিংগুলি (ইউটিএফ -16 লে বা বিই) যাচাই করে থাকতে পারে যে কোনও বিওএম অনুপস্থিত।

আশা করি এটি কাউকে সাহায্য করবে!


খুব সুন্দর কোড, এটি এনকোডিং সনাক্তকরণের আমার সমস্যার সমাধান করেছে :)
কার্লস অনেক

9

SimpleHelpers.FileEncoding Nuget প্যাকেজ গোপন একটি মজিলা ইউনিভার্সাল charset আবিষ্কারক এর সি # বন্দর একটি চরম সহজ এপিআই মধ্যে:

var encoding = FileEncoding.DetectFileEncoding(txtFile);

এটি উচ্চতর হওয়া উচিত, এটি একটি খুব সহজ সমাধান সরবরাহ করে: অন্যকে কাজটি করতে দাও: ডি
বডিব্বুল

এই লাইব্রেরিটি জিপিএল

তাই কি? আমি একটি এমআইটি লাইসেন্স দেখি এবং এটি ট্রিপল-লাইসেন্সযুক্ত উপাদান (ইউডিই) ব্যবহার করে যার মধ্যে একটি এমপিএল। আমি নির্ধারণের চেষ্টা করে যাচ্ছি যে ইউডিই কোনও মালিকানাধীন পণ্যের জন্য সমস্যাযুক্ত ছিল তাই আপনার আরও তথ্য থাকলে এটির প্রশংসা হবে।
সাইমন উডস

5

আমার সমাধানটি হ'ল কিছু ফলব্যাক সহ অন্তর্নির্মিত স্টাফগুলি ব্যবহার করা।

স্ট্যাকওভারফ্লোতে অনুরূপ অন্য প্রশ্নের উত্তর থেকে কৌশলটি বেছে নিয়েছি তবে এখন এটি খুঁজে পাচ্ছি না।

এটি স্ট্রিমার্ডারে অন্তর্নির্মিত যুক্তি ব্যবহার করে প্রথমে বিওএমটি পরীক্ষা করে, যদি বিওএম থাকে তবে এনকোডিংটি অন্য কিছু হবে Encoding.Defaultএবং আমাদের সেই ফলাফলটি বিশ্বাস করা উচিত।

যদি তা না হয় তবে এটি বাইট সিকোয়েন্সটি বৈধ ইউটিএফ -8 ক্রম কিনা তা পরীক্ষা করে che যদি এটি হয় তবে এটি ইউটিএফ -8 এনকোডিং হিসাবে অনুমান করবে এবং যদি তা না হয় তবে আবার ডিফল্ট ASCII এনকোডিংয়ের ফলাফল হবে।

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;
    }
}

3

দ্রষ্টব্য: ইউটিএফ -8 এনকোডিং অভ্যন্তরীণভাবে কীভাবে কাজ করেছে তা দেখার জন্য এটি একটি পরীক্ষা ছিল। ভিলিকভেন দ্বারা প্রদত্ত সমাধানটিUTF8Encoding ডিকোডিং ব্যর্থতার ক্ষেত্রে ব্যতিক্রম ছুঁড়ে ফেলার জন্য যে বিষয়টিকে সূচনা করা হয়েছে তা ব্যবহার করতে খুব সহজ, এবং মূলত একই জিনিসটি করে।


আমি এই টুকরা কোডটি লিখেছি ইউটিএফ -8 এবং উইন্ডোজ -1222 এর মধ্যে পার্থক্য করতে। যদিও এটি বিশাল আকারের পাঠ্য ফাইলগুলির জন্য ব্যবহার করা উচিত নয়, কারণ এটি পুরো জিনিসটিকে মেমরিতে লোড করে এবং এটি পুরোপুরি স্ক্যান করে। আমি এটিকে .srt সাবটাইটেল ফাইলগুলির জন্য ব্যবহার করেছি, কেবল যে এনকোডিংয়ে তারা বোঝা হয়েছিল সেগুলি আবার সংরক্ষণ করতে সক্ষম হয়েছি।

রেফ হিসাবে ফাংশনটিতে প্রদত্ত এনকোডিংটি ফাইলটি বৈধ UTF-8 হিসাবে সনাক্ত না হওয়ার ক্ষেত্রে ব্যবহারের জন্য 8-বিট ফ্যালব্যাক এনকোডিং হওয়া উচিত; সাধারণত উইন্ডোজ সিস্টেমে এটি উইন্ডোজ -১২২২ হবে। এটি সত্যিকারের বৈধ ascii রেঞ্জগুলি পরীক্ষা করার মতো অভিনব কোনও কাজ করে না এবং বাইট অর্ডার চিহ্ন এমনকি ইউটিএফ -16 সনাক্ত করে না।

বিটওয়াস সনাক্তকরণের পিছনের তত্ত্বটি এখানে পাওয়া যাবে: https://ianthehenry.com/2015/1/17/decoding-utf-8/

মূলত, প্রথম বাইটের বিট পরিসরটি এটি নির্ধারণ করে যে এটি কতগুলি পরে ইউটিএফ -8 সত্তার অংশ। এটির পরে এই বাইটগুলি সর্বদা একই বিট পরিসরে থাকে।

/// <summary>
/// Reads a text file, and detects whether its encoding is valid UTF-8 or ascii.
/// If not, decodes the text using the given fallback encoding.
/// Bit-wise mechanism for detecting valid UTF-8 based on
/// https://ianthehenry.com/2015/1/17/decoding-utf-8/
/// </summary>
/// <param name="docBytes">The bytes read from the file.</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.</param>
/// <returns>The contents of the read file, as String.</returns>
public static String ReadFileAndGetEncoding(Byte[] docBytes, ref Encoding encoding)
{
    if (encoding == null)
        encoding = Encoding.GetEncoding(1252);
    Int32 len = docBytes.Length;
    // byte order mark for utf-8. Easiest way of detecting encoding.
    if (len > 3 && docBytes[0] == 0xEF && docBytes[1] == 0xBB && docBytes[2] == 0xBF)
    {
        encoding = new UTF8Encoding(true);
        // Note that even when initialising an encoding to have
        // a BOM, it does not cut it off the front of the input.
        return encoding.GetString(docBytes, 3, len - 3);
    }
    Boolean isPureAscii = true;
    Boolean isUtf8Valid = true;
    for (Int32 i = 0; i < len; ++i)
    {
        Int32 skip = TestUtf8(docBytes, i);
        if (skip == 0)
            continue;
        if (isPureAscii)
            isPureAscii = false;
        if (skip < 0)
        {
            isUtf8Valid = false;
            // if invalid utf8 is detected, there's no sense in going on.
            break;
        }
        i += skip;
    }
    if (isPureAscii)
        encoding = new ASCIIEncoding(); // pure 7-bit ascii.
    else if (isUtf8Valid)
        encoding = new UTF8Encoding(false);
    // else, retain given encoding. This should be an 8-bit encoding like Windows-1252.
    return encoding.GetString(docBytes);
}

/// <summary>
/// Tests if the bytes following the given offset are UTF-8 valid, and
/// returns the amount of bytes to skip ahead to do the next read if it is.
/// 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 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)
{
    // 7 bytes (so 6 added bytes) is the maximum the UTF-8 design could support,
    // but in reality it only goes up to 3, meaning the full amount is 4.
    const Int32 maxUtf8Length = 4;
    Byte current = binFile[offset];
    if ((current & 0x80) == 0)
        return 0; // valid 7-bit ascii. Added length is 0 bytes.
    Int32 len = binFile.Length;
    for (Int32 addedlength = 1; addedlength < maxUtf8Length; ++addedlength)
    {
        Int32 fullmask = 0x80;
        Int32 testmask = 0;
        // 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.
        for (Int32 i = 0; i <= addedlength; ++i)
        {
            testmask = fullmask;
            fullmask += (0x80 >> (i+1));
        }
        // figure out bit masks from level
        if ((current & fullmask) == testmask)
        {
            if (offset + addedlength >= len)
                return -1;
            // Lookahead. Pattern of any following bytes is always 10xxxxxx
            for (Int32 i = 1; i <= addedlength; ++i)
            {
                if ((binFile[offset + i] & 0xC0) != 0x80)
                    return -1;
            }
            return addedlength;
        }
    }
    // Value is greater than the maximum allowed for utf8. Deemed invalid.
    return -1;
}

এছাড়াও elseপরে কোন শেষ বিবৃতি আছে if ((current & 0xE0) == 0xC0) { ... } else if ((current & 0xF0) == 0xE0) { ... } else if ((current & 0xF0) == 0xE0) { ... } else if ((current & 0xF8) == 0xF0) { ... }। আমি মনে করি যে elseমামলাটি অবৈধ utf8: হবে isUtf8Valid = false;। আপনি কি?
HAL

@ হ্যাঁ, সত্য ... আমি যেহেতু আমার নিজস্ব কোডটি একটি আরও সাধারণ (এবং আরও উন্নত) সিস্টেমের সাথে আপডেট করেছি যা একটি লুপ ব্যবহার করে যা 3 অবধি যায় তবে প্রযুক্তিগতভাবে আরও লুপে পরিবর্তন করা যায় (স্পেসগুলি এতে কিছুটা অস্পষ্ট) ; আমি মনে করি ইউটিএফ -8 6 টি পর্যন্ত বাড়ানো বাইটগুলি সম্ভব, তবে বর্তমান বাস্তবায়নে কেবলমাত্র 3 টি ব্যবহৃত হয়), তাই আমি এই কোডটি আপডেট করি নি।
নাইয়ারগডস

@ আমার এটিকে আমার নতুন সমাধানে আপডেট করেছে। নীতিটি একই থাকে তবে বিট মাস্কগুলি কোডে সমস্ত স্পষ্টভাবে লিখিত না হয়ে লুপে তৈরি এবং চেক করা হয়।
নাইয়ারগডস

1

আমি গিটহাবে নতুন লাইব্রেরি পেয়েছি: চরসেটডেক্টর / ইউটিএফ-অজানা

সি # -। নেট কোর 2-3,। নেট স্ট্যান্ডার্ড 1-2 এবং। নেট 4+ এ চরসেট ডিটেক্টর বিল্ড করুন

এটি অন্যান্য সংগ্রহস্থলের উপর ভিত্তি করে মোজিলা ইউনিভার্সাল চরসেট ডিটেক্টরের একটি বন্দর ।

চরসেটডেক্টর / ইউটিএফ-অজানা নামের একটি শ্রেণি রয়েছে CharsetDetector

CharsetDetector কিছু স্থির এনকোডিং সনাক্তকরণ পদ্ধতি রয়েছে:

  • CharsetDetector.DetectFromFile()
  • CharsetDetector.DetectFromStream()
  • CharsetDetector.DetectFromBytes()

সনাক্ত করা ফলাফল ক্লাসে DetectionResultবৈশিষ্ট্যযুক্ত Detectedযা DetectionDetailনীচের বৈশিষ্ট্যগুলির সাথে শ্রেণীর উদাহরণ :

  • EncodingName
  • Encoding
  • Confidence

নীচে ব্যবহার দেখানোর জন্য একটি উদাহরণ:

// Program.cs
using System;
using System.Text;
using UtfUnknown;

namespace ConsoleExample
{
    public class Program
    {
        public static void Main(string[] args)
        {
            string filename = @"E:\new-file.txt";
            DetectDemo(filename);
        }

        /// <summary>
        /// Command line example: detect the encoding of the given file.
        /// </summary>
        /// <param name="filename">a filename</param>
        public static void DetectDemo(string filename)
        {
            // Detect from File
            DetectionResult result = CharsetDetector.DetectFromFile(filename);
            // Get the best Detection
            DetectionDetail resultDetected = result.Detected;

            // detected result may be null.
            if (resultDetected != null)
            {
                // Get the alias of the found encoding
                string encodingName = resultDetected.EncodingName;
                // Get the System.Text.Encoding of the found encoding (can be null if not available)
                Encoding encoding = resultDetected.Encoding;
                // Get the confidence of the found encoding (between 0 and 1)
                float confidence = resultDetected.Confidence;

                if (encoding != null)
                {
                    Console.WriteLine($"Detection completed: {filename}");
                    Console.WriteLine($"EncodingWebName: {encoding.WebName}{Environment.NewLine}Confidence: {confidence}");
                }
                else
                {
                    Console.WriteLine($"Detection completed: {filename}");
                    Console.WriteLine($"(Encoding is null){Environment.NewLine}EncodingName: {encodingName}{Environment.NewLine}Confidence: {confidence}");
                }
            }
            else
            {
                Console.WriteLine($"Detection failed: {filename}");
            }
        }
    }
}

উদাহরণস্বরূপ ফলাফল স্ক্রিনশট: এখানে চিত্র বর্ণনা লিখুন

আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.