C#解决读写包含汉字的txt文件时乱码的问题

最新推荐文章于 2022-03-10 23:02:50 发布

转载最新推荐文章于 2022-03-10 23:02:50 发布 · 1.7k 阅读

文章标签：

#c# #encoding #stream #byte #string #文本编辑

C# 专栏收录该内容

19 篇文章

订阅专栏

本文介绍了一个简单的类，用于自动识别文本文件的编码格式，确保读写操作不会出现乱码。该类通过检查文件头部的字节序标记(BOM)来确定文件的编码，如Unicode Big Endian、Unicode Little Endian或UTF-8，并提供了默认编码设置。

为了解决这个问题，我写了一个类，来取得一个文本文件的encoding，这样我们就可以创建对应的StreamReader和StreamWriter来读写，保证不会出现乱码现象。其实原理很简单，文本编辑器(比如XP自带的记事本)在生成文本文件时，如果编码格式和系统默认的编码(中文系统下默认为GB2312)不一致时，会在txt文件开头部分添加特定的;编码字节序标识(Encoding Bit Order Madk，简写为BOM)”，类似PE格式的"MZ"文件头。这样它在读取时就可以根据这个BOM来确定该文本文件生成时所使用的Encoding。这个BOM我们用记事本等程序打开默认是看不到的，但是用stream按字节读取时是可以读到的。我的这个TxtFileEncoding类就是根据这个BOM;文件头” 来确定txt文件生成时用到的编码的。
由于在GB2312和UTF7编码都没有BOM，所以需要指定一个默认的Encoding，在找不到合法的BOM时，将返回这个Encoding。有谁知道如何区分GB2312和UTF7编码txt文件的方法，也请告诉我。
由于只是static方法，所以不用new，直接通过类名调用方法，使用起来也很简单。

using System; 
using System.Text; 
using System.IO; 
namespace System.Shangfei.Text 
{ 
  ///  
  /// 用于取得一个文本文件的编码方式(Encoding)。  
  ///  
  public class TxtFileEncoding 
  { 
    public TxtFileEncoding() 
    { 
    } 
    /// <summary> 
    /// 取得一个文本文件的编码方式。如果无法在文件头部找到有效的前导符，Encoding.Default将被返回。  
    /// </summary> 
    /// <param name="fileName">文件名。</param> 
    /// <returns></returns> 
    public static Encoding GetEncoding(string fileName) 
    { 
      return GetEncoding(fileName, Encoding.Default); 
    } 
    /// <summary> 
    /// 取得一个文本文件流的编码方式。 
    /// </summary> 
    /// <param name="stream">文本文件流。</param> 
    /// <returns></returns> 
    public static Encoding GetEncoding(FileStream stream) 
    { 
      return GetEncoding(stream, Encoding.Default); 
    } 
    /// <summary> 
    /// 取得一个文本文件的编码方式。  
    /// </summary> 
    /// <param name="fileName">文件名。</param> 
    /// <param name="defaultEncoding">默认编码方式。当该方法无法从文件的头部取得有效的前导符时，将返回该编码方式。 </param> 
    /// <returns></returns> 
    public static Encoding GetEncoding(string fileName, Encoding defaultEncoding) 
    { 
      FileStream fs = new FileStream(fileName, FileMode.Open); 
      Encoding targetEncoding = GetEncoding(fs, defaultEncoding); 
      fs.Close(); 
      return targetEncoding; 
    } 
    /// <summary> 
    /// 取得一个文本文件流的编码方式。  
    /// </summary> 
    /// <param name="stream">文本文件流。 </param> 
    /// <param name="defaultEncoding">默认编码方式。当该方法无法从文件的头部取得有效的前导符时，将返回该编码方式。 </param> 
    /// <returns></returns> 
    public static Encoding GetEncoding(FileStream stream, Encoding defaultEncoding) 
    { 
      Encoding targetEncoding = defaultEncoding; 
      if(stream != null && stream.Length>= 2) 
      { 
        //保存文件流的前4个字节  
        byte byte1 = 0; 
        byte byte2 = 0; 
        byte byte3 = 0; 
        byte byte4 = 0; 
        //保存当前Seek位置  
        long origPos = stream.Seek(0, SeekOrigin.Begin); 
        stream.Seek(0, SeekOrigin.Begin); 
        int nByte = stream.ReadByte(); 
        byte1 = Convert.ToByte(nByte); 
        byte2 = Convert.ToByte(stream.ReadByte()); 
        if(stream.Length>= 3) 
        { 
          byte3 = Convert.ToByte(stream.ReadByte()); 
        } 
        if(stream.Length >= 4) 
        { 
          byte4 = Convert.ToByte(stream.ReadByte()); 
        } 
        //根据文件流的前4个字节判断Encoding  
        //Unicode {0xFF, 0xFE};  
        //BE-Unicode {0xFE, 0xFF};  
        //UTF8 = {0xEF, 0xBB, 0xBF};  
        if(byte1 == 0xFE && byte2 == 0xFF)//UnicodeBe  
        { 
          targetEncoding = Encoding.BigEndianUnicode; 
        } 
        if(byte1 == 0xFF && byte2 == 0xFE && byte3 != 0xFF)//Unicode  
        { 
          targetEncoding = Encoding.Unicode; 
        } 
        if(byte1 == 0xEF && byte2 == 0xBB && byte3 == 0xBF)//UTF8  
        { 
          targetEncoding = Encoding.UTF8; 
        } 
        //恢复Seek位置  
        stream.Seek(origPos, SeekOrigin.Begin); 
      } 
      return targetEncoding; 
    } 
  }
}

测试

using System; 
using Farproc.Text; 
using System.Text; 
using System.IO; 
namespace ConsoleApplication1 
{ 
  /// 〈summary〉  
  /// Class1 的摘要说明。  
  /// 〈/summary〉  
  class Class1 
  { 
    /// 〈summary〉  
    /// 应用程序的主入口点。  
    /// 〈/summary〉  
    [STAThread] 
    static void Main(string[] args) 
    { 
      string fileName = @"e:/a.txt"; 
      //生成一个big endian Unicode编码格式的文本文件  
      StreamWriter sw = new StreamWriter(fileName, false, Encoding.BigEndianUnicode);//你可以试试其他编码，比如Encoding.GetEncoding("GB2312")或UTF8  
      sw.Write("这是一个String");
      sw.Close(); 
      //读取  
      Encoding fileEncoding = TxtFileEncoding.GetEncoding(fileName, Encoding.GetEncoding("GB2312"));//取得这txt文件的编码  
      Console.WriteLine("这个文本文件的编码为：" + fileEncoding.EncodingName); 
      StreamReader sr = new StreamReader(fileName, fileEncoding);//用该编码创建StreamReader  
      //用下面的方法虽然可以让系统自动判断文本文件的编码格式，但是我们无法取得该文本文件的编码  
      //sr.CurrentEncoding永远为 Unicode(UTF-8)  
      //StreamReader sr = new StreamReader(fileName, true);  
      //Console.WriteLine("这个文本文件的编码为：" + sr.CurrentEncoding.EncodingName);  
      Console.WriteLine("这个文本文件的内容为：" + sr.ReadToEnd()); 
      sr.Close(); 
      Console.ReadLine(); 
    } 
  } 
}

NET下的string永远是Unicode的，所以只能判断txt文件的Encoding。对于byte[]，只有自己知道它的Encoding才能转换为string 转换为其他编码的byte[]，一个例外是把整个txt文件通过stream读入byte[]后也可以根据它的前几个字节判断
Encoding，对于片断，我们就无能为力了:)