首先了解一下UTF-8编码格式,UTF8算是一种自适应的,长度不定,兼容ASCII编码。
byte数为5、6的都不使用了,讨论前面的byte数为1、2、3、4的四种情况。
def detectUTF8(file_name):
state = 0
line_num = 0
file_obj = open(file_name)
all_lines = file_obj.readlines()
file_obj.close()
for line in all_lines:
line_num += 1
line_len = len(line)
for index in range(line_len):
if state == 0:
if ord(line[index])&0x80 == 0x00:#上表中的第一种情况
state = 0
elif ord(line[index])&0xE0 == 0xC0:#上表中的第二种情况
state = 1