检测字节流是否是UTF8编码

几天前偶尔看到有人发帖子问“如何自动识别判断url中的中文参数是GB2312还是Utf-8编码”

也拜读了wcwtitxu使用巨牛的正则表达式检测UTF8编码的算法。

使用无数或条件的正则表达式用起来却是性能不高。

刚好曾经在项目中有类似的需求,这里把处理思路和整理后的源代码贴出来供大家参考

先聊聊原理:

UTF8的编码规则如下表

看起来很复杂,总结起来如下:

ASCII码(U+0000 - U+007F),不编码

其余编码规则为

?第一个Byte二进制以形式为n个1紧跟个0 (n >= 2), 0后面的位数用来存储真正的字符编码,n的个数说明了这个多Byte字节组字节数(包括第一个Byte) 
?结下来会有n个以10开头的Byte,后6个bit存储真正的字符编码。 
因此对整个编码byte流进行分析可以得出是否是UTF8编码的判断。

根据这个规则,我给出的C#代码如下:

/// <summary>

///   Determines whether the given <paramref name="inputStream"/>is UTF8 encoding bytes.

/// </summary>

/// <param name="inputStream">

///    The input stream.

///  </param>

/// <returns>

///   <see langword="true"/> if given bystes stream is in UTF8 encoding; otherwise, <see langword="false"/>.

/// </returns>

/// <remarks>

///   All ASCII chars will regards not UTF8 encoding.

/// </remarks>

public static bool IsTextUTF8(ref byte[] inputStream)

{

    int encodingBytesCount = 0;

    bool allTextsAreASCIIChars = true;

    for (int i = 0; i < inputStream.Length; i++)

    {

        byte current = inputStream[i];

        if ((current & 0x80) == 0x80)

        {                   

            allTextsAreASCIIChars = false;

        }

        // First byte

        if (encodingBytesCount == 0)

        {

            if ((current & 0x80) == 0)

            {

                // ASCII chars, from 0x00-0x7F

                continue;

            }

            if ((current & 0xC0) == 0xC0)

            {

                encodingBytesCount = 1;

                current <<= 2;

                // More than two bytes used to encoding a unicode char.

                // Calculate the real length.

                while ((current & 0x80) == 0x80)

                {

                    current <<= 1;

                    encodingBytesCount++;

                }

            }                   

            else

            {

                // Invalid bits structure for UTF8 encoding rule.

                return false;

            }

        }               

        else

        {

            // Following bytes, must start with 10.

            if ((current & 0xC0) == 0x80)

            {                       

                encodingBytesCount--;

            }

            else

            {

                // Invalid bits structure for UTF8 encoding rule.

                return false;

            }

        }

    }

    if (encodingBytesCount != 0)

    {

        // Invalid bits structure for UTF8 encoding rule.

        // Wrong following bytes count.

        return false;

    }

    // Although UTF8 supports encoding for ASCII chars, we regard as a input stream, whose contents are all ASCII as default encoding.

    return !allTextsAreASCIIChars;

}

再附上单元测试代码:

/// <summary>

///This is a test class for EncodingHelperTest and is intended

///to contain all EncodingHelperTest Unit Tests

///</summary>

[TestClass()]

public class EncodingHelperTest

{

    /// <summary>

    ///  Normal test for this method.

    ///</summary>

    [TestMethod()]

    public void IsTextUTF8Test()

    {

        for (int i = 0; i < 1000; i++)

        {

            List<Char> chars = new List<char>();

            chars.Add(‘中‘);

            List<UnicodeCategory> temp = new List<UnicodeCategory>();

            Random rd = new Random((int)(DateTime.Now.Ticks & 0x7FFFFFFF));

            for (int j = 0; j < 255; j++)

            {

                char ch = (char)rd.Next(0xFFFF);

                UnicodeCategory uc = System.Globalization.CharUnicodeInfo.GetUnicodeCategory(ch);

                if (uc == UnicodeCategory.Surrogate || // Single surrogate could not be encoding correctly.

                    uc == UnicodeCategory.PrivateUse || // Private use blocks should be excluded.

                    uc == UnicodeCategory.OtherNotAssigned

                    )

                {

                    j--;

                }

                else

                {

                    chars.Add(ch);

                    temp.Add(uc);

                }

            }

            string str = new string(chars.ToArray());

            byte[] inputStream = Encoding.UTF8.GetBytes(str);

            bool expected = true;

            bool actual;

            actual = EncodingHelper.IsTextUTF8(ref inputStream);

            Assert.AreEqual(expected, actual, string.Format("UTF8_Assert Fails at:{0}", str));

            inputStream = Encoding.GetEncoding(932).GetBytes(str);

            expected = false;

            actual = EncodingHelper.IsTextUTF8(ref inputStream);

            Assert.AreEqual(expected, actual, string.Format("ShiftJIS_Assert Fails at:{0}", str));

        }

    }

    /// <summary>

    ///   Check with All ASCII chars

    /// </summary>

    [TestMethod]

    public void IsTextUTF8Test_AllASCII()

    {

        string str = "ABCDEFGHKLHSJKLDFHJKLHAJKLSHJKLHAJKLSHDJKLAHSDJKLHAJKLSDHJKLASHDJKLHASJKLDHJKLASD";

        byte[] inputStream = Encoding.UTF8.GetBytes(str);

        bool expected = false;

        bool actual;

        actual = EncodingHelper.IsTextUTF8(ref inputStream);

        Assert.AreEqual(expected, actual, string.Format("UTF8_Assert Fails at:{0}", str));

    }

}

另:

如果是判断一个文件是否使用了UTF8编码,不一定非用这种方法,因为通常以UTF8格式保存的文件最初两个字符是BOM头,标示该文件使用了UTF8编码。

参考:

维基百科:http://en.wikipedia.org/wiki/UTF-8

时间: 2024-10-12 22:50:34

检测字节流是否是UTF8编码的相关文章

【Java】如何检测、替换4个字节的utf-8编码(此范围编码包含emoji)

> 参考的优秀文章 1.十分钟搞清字符集和字符编码 2.Java中byte与16进制字符串的互相转换 3.[异常处理]Incorrect string value: '\xF0\x90\x8D\x83...' for column... Emoji表情字符过滤的Java实现 4.Why a surrogate java regexp finds hypen-minus > 如何检测.替换4个字节的utf-8编码(此范围编码包含emoji) 项目有个需求,是保存从手机端H5页面提交的信息. 大家

GBK编码字节流与UTF-8编码字节流的转换

import java.io.FileInputStream; import java.io.FileNotFoundException; import java.io.FileOutputStream; import java.io.IOException; public class BianMaDemo4 { public static void main(String[] args) throws IOException, FileNotFoundException { /* * * GB

Java检测文件是否UTF8编码

介绍UTF-8编码规则 UTF-8 编码字符理论上可以最多到 6 个字节长, 然而 16 位 BMP 字符最多只用到 3 字节长. Bigendian UCS-4 字节串的排列顺序是预定的. 字节 0xFE 和 0xFF 在 UTF-8 编码中从未用到. 下列字节串用来表示一个字符. 用到哪个串取决于该字符在 Unicode 中的序号. U-00000000 - U-0000007F: 0xxxxxxx U-00000080 - U-000007FF: 110xxxxx 10xxxxxx U-0

刨根究底字符编码之十一——UTF-8编码方式与字节序标记

UTF-8编码方式与字节序标记 一.UTF-8编码方式 1. 接下来将分别介绍Unicode字符集的三种编码方式:UTF-8.UTF-16.UTF-32.这里先介绍应用最为广泛的UTF-8. 为满足基于ASCII.面向字节的字符处理的需要,Unicode标准中定义了UTF-8编码方式.UTF-8应该是目前应用最广泛的一种Unicode编码方式(但不是最早面世的,UTF-16要早于UTF-8面世).它是一种使用8位码元(即单字节码元)的变宽(即变长或不定长)码元序列的编码方式. 由于UTF-16对

UTF-8 编码的文件在处理时要注意 BOM 文件头问题

最近在给项目团队开发一个基于 Java 的通用的 XML 分析器时,设计了一个方法,能够读取现成的 XML 文件进行分析处理,当然 XML 都是采用 UTF-8 进行编码的.但是在用 UltraEdit 写了一个测试用的 UTF-8 XML 文件后,程序在读取该文件时发生错误: Parse Fatal Error at line 1 column 1: 前言中不允许有内容.org.xml.sax.SAXParseException: Content is not allowed in prolo

判断字符串是否为UTF8编码

UTF-8(8-bit Unicode Transformation Format)是一种针对Unicode的可变长度字符编码.由Ken Thompson于1992年创建.现在已经标准化为RFC 3629.UTF-8用1到4个字节编码Unicode字符.用在网页上可以统一页面显示中文简体繁体及其它语言(如英文,日文,韩文). <?php /** *检查字符串是否是utf8编码 *@param string $string 被检测字符串 *@return Boolean */ function i

解决NSData中包含非法UTF-8编码

我们开发中常会遇上将NSData转换为NSString,或通过NSJSONSerialization解析JSON的场景,一旦NSData中包含非法的UTF-8编码,那么结果将是返回nil,但这样的结果并不符合我们预期,因为可能这其中仅仅只是一个编码错误,我们更希望将错误编码丢弃或替换为错误字符.在Google上找了一圈,有人也实现了这样的方法,但个人觉得写得不够严谨,容错性也不太好,索性自己写一个吧,严格按照RFC3629的标准. UTF-8是一种变长的编码,针对不同长度的字节有固定的格式,在R

关于Python文档读取UTF-8编码文件问题

近来接到一个小项目,读取目标文件中每一行url,并逐个请求url,拿到想要的数据. #-*- coding:utf-8 -*- class IpUrlManager(object): def __init__(self): self.newipurls = set() #self.oldipurls = set() def Is_has_ipurl(self): return len(self.newipurls)!=0 def get_ipurl(self): if len(self.newi

[转]utf8编码原理详解

from : http://blog.csdn.net/baixiaoshi/article/details/40786503 很久很久以前,有一群人,他们决定用8个可以开合的晶体管来组合成不同的状态,以表示世界上的万物.他们认为8个开关状态作为原子单位很好,于是他们把这称为"字节". 再后来,他们又做了一些可以处理这些字节的机器,机器开动了,可以用字节来组合出更多的状态,状态开始变来变去.他们看到这样是好的,于是它们就这机器称为"计算机". 开始计算机只在美国用.