对于只包含中文和英文的文本中判断编码方式是非常简单的,中文的编码方式最常用的是GBK,字符集更大的如GBK向下兼容GB2312,其中包含的的很多一部分字符是我们在日常生活中用不到的,因此在实际中我们一般只需要区分GB2312和UTF8编码。这里我只是提供一种可行的方法,如果判断GBK也可以采用类似的方式首先分析一下汉字在GB2312中的编码方式,gb2312规则汉字采用双字节编码其中第一字节161~247,第二字节161~254,其中含有边界条件。而utf8的编码方式可以看如下表示:
代码范围 十六进制 | 标量值(scalar value) 二进制 | UTF-8 二进制/十六进制 | 注释 |
---|---|---|---|
000000 - 00007F 128个代码 | 00000000 00000000 0zzzzzzz | 0zzzzzzz(00-7F) | ASCII字符范围,字节由零开始 |
七个z | 七个z | ||
000080 - 0007FF 1920个代码 | 00000000 00000yyy yyzzzzzz | 110yyyyy(C0-DF) 10zzzzzz(80-BF) | 第一个字节由110开始,接着的字节由10开始 |
三个y;二个y;六个z | 五个y;六个z | ||
000800 - 00D7FF 00E000 - 00FFFF 61440个代码[Note 1] | 00000000 xxxxyyyy yyzzzzzz | 1110xxxx(E0-EF) 10yyyyyy 10zzzzzz | 第一个字节由1110开始,接着的字节由10开始 |
四个x;四个y;二个y;六个z | 四个x;六个y;六个z | ||
010000 - 10FFFF 1048576个代码 | 000wwwxx xxxxyyyy yyzzzzzz | 11110www(F0-F7) 10xxxxxx 10yyyyyy 10zzzzzz | 将由11110开始,接着的字节由10开始 |
unsigned int countGBK(const char * str)
{
assert(str != NULL);
unsigned int len = (unsigned int)strlen (str);
unsigned int counter = 0;
unsigned char head = 0x80;
unsigned char firstChar, secondChar;
for (unsigned int i = 0; i < len - 1; ++i)
{
firstChar = (unsigned char)str[i];
if (!(firstChar & head))continue;
secondChar = (unsigned char)str[i];
if (firstChar >= 161 && firstChar <= 247 && secondChar>=161 && secondChar <= 254)
{
counter+= 2;
++i;
}
}
return counter;
}
unsigned int countUTF8(const char * str)
{
assert(str != NULL);
unsigned int len = (unsigned int)strlen (str);
unsigned int counter = 0;
unsigned char head = 0x80;
unsigned char firstChar;
for (unsigned int i = 0; i < len; ++i)
{
firstChar = (unsigned char)str[i];
if (!(firstChar & head))continue;
unsigned char tmpHead = head;
unsigned int wordLen = 0 , tPos = 0;
while (firstChar & tmpHead)
{
++ wordLen;
tmpHead >>= 1;
}
if (wordLen <= 1)continue; //utf8最小长度为2
wordLen --;
if (wordLen + i >= len)break;
for (tPos = 1; tPos <= wordLen; ++tPos)
{
unsigned char secondChar = (unsigned char)str[i + tPos];
if (!(secondChar & head))break;
}
if (tPos > wordLen)
{
counter += wordLen + 1;
i += wordLen;
}
}
return counter;
}
bool beUtf8(const char *str)
{
unsigned int iGBK = countGBK(str);
unsigned int iUTF8= countUTF8(str);
if (iUTF8 > iGBK)return true;
return false;
}
countUTF8和countGBK分别是为了在文本中数符合UTF8编码和GB2312编码方式的字的数量,beUtf8则看哪种编码方式覆盖了更多的字符,则认为该文本属于哪种字符集。
注意从编码方式可以看出有部分GB2312编码方式和UTF8编码是冲突的,例如以C0和C1开头的汉字和UTF8编码方式重叠,所有if (iUTF8 > iGBK)return true;这个判断语句有没有等号则偏向于哪种方式在文本中更常用,如果含有等号,例如在识别“图片”这个词时编码会被误识别为utf8编码。