Déterminer l'encodage d'une chaîne de caractères en C#

Question

Existe-t-il un moyen de déterminer l'encodage d'une chaîne de caractères en C# ?

Disons que j'ai un nom de fichier, mais je ne sais pas s'il est encodé en Unicode UTF-16 ou l'encodage par défaut du système, comment le savoir ?

Answer 1

Le code ci-dessous présente les caractéristiques suivantes :

1. Détection ou tentative de détection de UTF-7, UTF-8/16/32 (bom, no bom, little & big endian)
2. renvoie au codepage local par défaut si aucun encodage Unicode n'a été trouvé.
3. Détecte (avec une forte probabilité) les fichiers unicode dont la nomenclature/signature est manquante.
4. Recherche charset=xyz et encoding=xyz dans le fichier pour aider à déterminer l'encodage.
5. Pour économiser du temps de traitement, vous pouvez "goûter" le fichier (nombre définissable d'octets).
6. Le fichier texte codé et décodé est renvoyé.
7. Une solution purement basée sur les octets pour plus d'efficacité

Comme d'autres l'ont dit, aucune solution ne peut être parfaite (et il est certainement difficile de faire la différence entre les divers codages ASCII étendus à 8 bits utilisés dans le monde), mais nous pouvons obtenir une solution "suffisamment bonne", en particulier si le développeur présente également à l'utilisateur une liste de codages alternatifs, comme indiqué ici : Quel est le codage le plus courant pour chaque langue ?

Une liste complète des encodages est disponible à l'adresse suivante 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: https://stackoverflow.com/questions/6555015/check-for-invalid-utf8
    // For our purposes, an unnecessarily strict (and terser/slower)
    // implementation is shown at: https://stackoverflow.com/questions/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] < 0xE0 && 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] < 0xF5 && 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: https://stackoverflow.com/questions/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;
}

Answer 2

Cela dépend de l'origine de la chaîne. Une chaîne .NET est Unicode (UTF-16). La seule possibilité de différence serait de lire les données d'une base de données dans un tableau d'octets.

Cet article de CodeProject pourrait être intéressant : Détecter l'encodage du texte entrant et sortant

Jon Skeet's Chaînes de caractères en C# et .NET est une excellente explication des chaînes de caractères .NET.

Answer 3

Regardez Utf8Checker, c'est une classe simple qui fait exactement cela en code géré pur. http://utf8checker.codeplex.com

Remarque : comme nous l'avons déjà souligné, la "détermination de l'encodage" n'a de sens que pour les flux d'octets. Si vous avez une chaîne de caractères, elle est déjà encodée par quelqu'un qui, en cours de route, connaissait ou devinait déjà l'encodage pour obtenir la chaîne en premier lieu.

Answer 4

Je sais que c'est un peu tard, mais je tiens à ce que ce soit clair :

Une chaîne n'a pas vraiment d'encodage... dans .NET, une chaîne est une collection d'objets char. En fait, s'il s'agit d'une chaîne, elle a déjà été décodée.

Toutefois, si vous lisez le contenu d'un fichier, qui est constitué d'octets, et que vous souhaitez le convertir en une chaîne de caractères, vous devez utiliser l'encodage du fichier.

NET comprend des classes d'encodage et de décodage pour : ASCII, UTF7, UTF8, UTF32 et plus encore.

La plupart de ces encodages contiennent certaines marques d'ordre des octets qui peuvent être utilisées pour distinguer le type d'encodage utilisé.

La classe .NET System.IO.StreamReader est capable de déterminer le codage utilisé dans un flux, en lisant ces marques d'ordre des octets ;

En voici un exemple :

    /// <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;
        }
    }

Answer 5

Une autre option, très tardive, désolée :

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

Cette petite classe en C# uniquement utilise les BOMS s'ils sont présents, tente d'auto-détecter les encodages Unicode possibles dans le cas contraire, et revient en arrière si aucun des encodages Unicode n'est possible ou probable.

Il semblerait que UTF8Checker mentionné ci-dessus fasse quelque chose de similaire, mais je pense que son champ d'application est légèrement plus large - au lieu de se limiter à UTF8, il vérifie également les autres encodages Unicode possibles (UTF-16 LE ou BE) qui pourraient manquer d'une nomenclature.

J'espère que cela aidera quelqu'un !