判断一段文件是UTF-8编码还是GB2312的编码方式

分类：算法 cpp2012-03-10 16:01 7120人阅读评论(2) 收藏举报

 null生活c

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：

  <span style="font-family:Arial, Verdana, sans-serif;"><span style="white-space: normal;">  
 </span></span>  
 

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
000000 - 00007F 128个代码	七个z	七个z	ASCII字符范围，字节由零开始
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
000080 - 0007FF 1920个代码	三个y；二个y；六个z	五个y；六个z	第一个字节由110开始，接着的字节由10开始
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
000800 - 00D7FF 00E000 - 00FFFF 61440个代码 ^{[Note 1]}	四个x；四个y；二个y；六个z	四个x；六个y；六个z	第一个字节由1110开始，接着的字节由10开始
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

  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)  
 {  
     <span style="white-space:pre">  </span>unsigned int iGBK = countGBK(str);  
     unsigned int iUTF8= countUTF8(str);  
     if (iUTF8 > iGBK)return true;  
     return false;  
 } 
 