本博客-采用Python的web框架Django与Mysql数据库,致力于对Python、Django的了解
与研究
[转]识别不带BOM(无签名)的UTF-8文件
类别：c++
状态：游客可见，可回，会员可关联(良好)
阅读：4054
评论：0
时间：二月 3, 2013, 1:53 p.m.
关键字：UTF-8
带有签名的UTF-8文件可以通过读取BOM轻松识别， 而不带签名的UFT-8文件只有通过UTF-8编码的规则来尝试辨别。
先来看看UTF-8编码是如何实现UNICODE字符的：
| UNICODE | UTF-8 |
| 00000000 - 0000007F | 0xxxxxxx |
| 00000080 - 000007FF | 110xxxxx 10xxxxxx |
| 00000800 - 0000FFFF | 1110xxxx 10xxxxxx 10xxxxxx |
| 00010000 - 001FFFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx |
| 00200000 - 03FFFFFF | 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx |
| 04000000 - 7FFFFFFF | 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx |
从上表可以看出如果以个UTF-8字符是以2个或2个以上的字节组成， 则首字节前有多个连续的值为1的比特位， 随后是一个值为0的比特位。
根据这一特点我们可以尝试识别判断一个文件是否为UFT-8格式。
代码如下：
//data为从文件读取的字节数组
bool IsUTF8Bytes(unsigned char data[], long iLength)
{
int charByteCounter = 1; //计算当前正分析的字符应还有的字节数
for (int i = 0; i < iLength; i++)
{
unsigned char curByte = data[i]; //当前分析的字节.
if (charByteCounter == 1)
{
if (curByte >= 0x80)
{
//判断当前
while (((curByte <<= 1) & 0x80) != 0)
{
charByteCounter++;
}
//标记位首位若为非0 则至少以2个1开始 如:110XXXXX...........1111110X
if (charByteCounter == 1 || charByteCounter > 6)
{
return false;
}
}
}
else
{
//若是UTF-8 此时第一位必须为1
if ((curByte & 0xC0) != 0x80)
{
return false;
}
charByteCounter--;
}
}
if (charByteCounter > 1)
{
// "非预期的byte格式"
return false;
}
return true;
}
下面好理解：
bool IsUTF8Bytes(unsigned char data[], long iLength)
{
for (int i = 0; i < iLength;)
{
unsigned char curByte = data[i]; //当前分析的字节.
i++;
if (curByte < 0x80)
{
}
else if ((curByte & 0xFE) == 0xFC)
{
for (int j=0; j<5; i++, j++)
{
curByte = data[i];
if ((curByte & 0xC0) == 0X80)
{
// "非预期的byte格式"
return false;
}
}
}
else if ((curByte & 0xFC) == 0xF8)
{
for (int j=0; j<4; i++, j++)
{
curByte = data[i];
if ((curByte & 0xC0) == 0X80)
{
// "非预期的byte格式"
return false;
}
}
}
else if ((curByte & 0xF8) == 0xF0)
{
for (int j=0; j<3; i++, j++)
{
curByte = data[i];
if ((curByte & 0xC0) == 0X80)
{
// "非预期的byte格式"
return false;
}
}
}
else if ((curByte & 0xF0) == 0xE0)
{
for (int j=0; j<2; i++, j++)
{
curByte = data[i];
if ((curByte & 0xC0) == 0X80)
{
// "非预期的byte格式"
return false;
}
}
}
else if ((curByte & 0xE0) == 0xC0)
{
for (int j=0; j<1; i++, j++)
{
curByte = data[i];
if ((curByte & 0xC0) == 0X80)
{
// "非预期的byte格式"
return false;
}
}
}
else
{
// "非预期的byte格式"
return false;
}
}
return true;
}
需要注意的是，一些比较特殊的字符用此方法无法正确识别是否为UTF8格式， 传说中的微软屏蔽联通就是此问题
希望此文对大家有帮助
附：
1.UTF-8的相关基础知识可以前往这里http://www.codeguru.com/Cpp/misc/misc/multi-lingualsupport/article.php/c10451/
操作：