[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：5544 评论：0 时间：Feb. 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：