[C#]解决读写包含汉字的txt文件时乱码的问题

当我们用System.IO.StreamReader读取包含汉字的txt文件时，经常会读出乱码（StreamWriater写文本文件也有类似的问题），原因很简单，就是文件的编码（encoding）和StreamReader/Writer的encoding不对应。

为了解决这个问题，我写了一个类，来取得一个文本文件的encoding，这样我们就可以创建对应的StreamReader和StreamWriter来读写，保证不会出现乱码现象。其实原理很简单，文本编辑器（比如XP自带的记事本）在生成文本文件时，如果编码格式和系统默认的编码（中文系统下默认为GB2312）不一致时，会在txt文件开头部分添加特定的“编码字节序标识（EncodingBitOrderMadk，简写为BOM）”，类似PE格式的"MZ"文件头。这样它在读取时就可以根据这个BOM来确定该文本文件生成时所使用的Encoding。这个BOM我们用记事本等程序打开默认是看不到的，但是用stream按字节读取时是可以读到的。我的这个TxtFileEncoding类就是根据这个BOM“文件头”来确定txt文件生成时用到的编码的。

//作者：袁晓辉

//2005-8-8

usingSystem;

usingSystem.Text;

usingSystem.IO;

namespaceFarproc.Text

{

///<summary>

///用于取得一个文本文件的编码方式(Encoding)。

///</summary>

publicclassTxtFileEncoding

{

publicTxtFileEncoding()

{

//

//TODO:在此处添加构造函数逻辑

//

}

///<summary>

///取得一个文本文件的编码方式。如果无法在文件头部找到有效的前导符，Encoding.Default将被返回。

///</summary>

///<paramname="fileName">文件名。</param>

///<returns></returns>

publicstaticEncodingGetEncoding(stringfileName)

{

returnGetEncoding(fileName,Encoding.Default);

}

///<summary>

///取得一个文本文件流的编码方式。

///</summary>

///<paramname="stream">文本文件流。</param>

///<returns></returns>

publicstaticEncodingGetEncoding(FileStreamstream)

{

returnGetEncoding(stream,Encoding.Default);

}

///<summary>

///取得一个文本文件的编码方式。

///</summary>

///<paramname="fileName">文件名。</param>

///<paramname="defaultEncoding">默认编码方式。当该方法无法从文件的头部取得有效的前导符时，将返回该编码方式。</param>

///<returns></returns>

publicstaticEncodingGetEncoding(stringfileName,EncodingdefaultEncoding)

{

FileStreamfs=newFileStream(fileName,FileMode.Open);

EncodingtargetEncoding=GetEncoding(fs,defaultEncoding);

fs.Close();

returntargetEncoding;

}

///<summary>

///取得一个文本文件流的编码方式。

///</summary>

///<paramname="stream">文本文件流。</param>

///<paramname="defaultEncoding">默认编码方式。当该方法无法从文件的头部取得有效的前导符时，将返回该编码方式。</param>

///<returns></returns>

publicstaticEncodingGetEncoding(FileStreamstream,EncodingdefaultEncoding)

{

EncodingtargetEncoding=defaultEncoding;

if(stream!=null&&stream.Length>=2)

{

//保存文件流的前4个字节

bytebyte1=0;

bytebyte2=0;

bytebyte3=0;

bytebyte4=0;

//保存当前Seek位置

longorigPos=stream.Seek(0,SeekOrigin.Begin);

stream.Seek(0,SeekOrigin.Begin);

intnByte=stream.ReadByte();

byte1=Convert.ToByte(nByte);

byte2=Convert.ToByte(stream.ReadByte());

if(stream.Length>=3)

{

byte3=Convert.ToByte(stream.ReadByte());

}

if(stream.Length>=4)

{

byte4=Convert.ToByte(stream.ReadByte());

}

//根据文件流的前4个字节判断Encoding

//Unicode{0xFF,0xFE};

//BE-Unicode{0xFE,0xFF};

//UTF8={0xEF,0xBB,0xBF};

if(byte1==0xFE&&byte2==0xFF)//UnicodeBe

{

targetEncoding=Encoding.BigEndianUnicode;

}

if(byte1==0xFF&&byte2==0xFE&&byte3!=0xFF)//Unicode

{

targetEncoding=Encoding.Unicode;

}

if(byte1==0xEF&&byte2==0xBB&&byte3==0xBF)//UTF8

{

targetEncoding=Encoding.UTF8;

}

//恢复Seek位置

stream.Seek(origPos,SeekOrigin.Begin);

}

returntargetEncoding;

}

}

}

由于在GB2312和UTF7编码都没有BOM，所以需要指定一个默认的Encoding，在找不到合法的BOM时，将返回这个Encoding。有谁知道如何区分GB2312和UTF7编码txt文件的方法，也请告诉我。

由于只是static方法，所以不用new，直接通过类名调用方法，使用起来也很简单。

usingSystem;

usingFarproc.Text;

usingSystem.Text;

usingSystem.IO;

namespaceConsoleApplication1

{

///<summary>

///Class1的摘要说明。

///</summary>

classClass1

{

///<summary>

///应用程序的主入口点。

///</summary>

[STAThread]

staticvoidMain(string[]args)

{

//

//TODO:在此处添加代码以启动应用程序

//

stringfileName=@"e:/a.txt";

//生成一个bigendianUnicode编码格式的文本文件

StreamWritersw=newStreamWriter(fileName,false,Encoding.BigEndianUnicode);//你可以试试其他编码，比如Encoding.GetEncoding("GB2312")或UTF8

sw.Write("这是一个String");

sw.Close();

//读取

EncodingfileEncoding=TxtFileEncoding.GetEncoding(fileName,Encoding.GetEncoding("GB2312"));//取得这txt文件的编码

Console.WriteLine("这个文本文件的编码为："+fileEncoding.EncodingName);

StreamReadersr=newStreamReader(fileName,fileEncoding);//用该编码创建StreamReader

//用下面的方法虽然可以让系统自动判断文本文件的编码格式，但是我们无法取得该文本文件的编码

//sr.CurrentEncoding永远为Unicode(UTF-8)

//StreamReadersr=newStreamReader(fileName,true);

//Console.WriteLine("这个文本文件的编码为："+sr.CurrentEncoding.EncodingName);

Console.WriteLine("这个文本文件的内容为："+sr.ReadToEnd());

sr.Close();

Console.ReadLine();

}

}

}

.NET下的string永远是Unicode的，所以只能判断txt文件的Encoding。对于byte[]，只有自己知道它的Encoding才能转换为string转换为其他编码的byte[]，一个例外是把整个txt文件通过stream读入byte[]后也可以根据它的前几个字节判断Encoding，对于片断，我们就无能为力了:)