判断一段文件是UTF-8编码还是GB2312的编码方式

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

这样我们就可以由编码方式上的差异来进行GB2312和UTF8编码识别，下面给出代码

1. unsigned int countGBK(const char * str)  
2. {  
3.     assert(str != NULL);  
4.     unsigned int len = (unsigned int)strlen (str);  
5.     unsigned int counter = 0;  
6.     unsigned char head = 0x80;  
7.     unsigned char firstChar, secondChar;  
8.   
9.     for (unsigned int i = 0; i < len - 1; ++i)  
10.     {  
11.         firstChar = (unsigned char)str[i];  
12.         if (!(firstChar & head))continue;  
13.         secondChar = (unsigned char)str[i];  
14.         if (firstChar >= 161 && firstChar <= 247 && secondChar>=161 && secondChar <= 254)  
15.         {  
16.             counter+= 2;  
17.             ++i;  
18.         }  
19.     }  
20.     return counter;  
21. }  
22.   
23. unsigned int countUTF8(const char * str)  
24. {  
25.     assert(str != NULL);  
26.     unsigned int len = (unsigned int)strlen (str);  
27.     unsigned int counter = 0;  
28.     unsigned char head = 0x80;  
29.     unsigned char firstChar;  
30.     for (unsigned int i = 0; i < len; ++i)  
31.     {  
32.         firstChar = (unsigned char)str[i];  
33.         if (!(firstChar & head))continue;  
34.         unsigned char tmpHead = head;  
35.         unsigned int wordLen = 0 , tPos = 0;  
36.         while (firstChar & tmpHead)  
37.         {  
38.             ++ wordLen;  
39.             tmpHead >>= 1;  
40.         }  
41.         if (wordLen <= 1)continue; //utf8最小长度为2  
42.         wordLen --;  
43.         if (wordLen + i >= len)break;  
44.         for (tPos = 1; tPos <= wordLen; ++tPos)  
45.         {  
46.             unsigned char secondChar = (unsigned char)str[i + tPos];  
47.             if (!(secondChar & head))break;  
48.         }  
49.         if (tPos > wordLen)  
50.         {  
51.             counter += wordLen + 1;  
52.             i += wordLen;  
53.         }  
54.     }  
55.     return counter;  
56. }  
57.   
58. bool beUtf8(const char *str)  
59. {  
60.     <span style="white-space:pre">  </span>unsigned int iGBK = countGBK(str);  
61.     unsigned int iUTF8= countUTF8(str);  
62.     if (iUTF8 > iGBK)return true;  
63.     return false;  
64. }  

1. 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。  
2. 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。