用C语言检测文本编码的方法

我们经常会想知道某些文本文件的编码，可是编码检测却并不是一件简单的事情，它需要对文本进行采样，统计分析后再进行字符集的匹配，不过值得庆幸的是有uchardet(https://code.google.com/p/uchardet/)这样的开源库可以帮忙这项艰巨的任务。

uchardet是一个开源的用于文本编码检测的C语言库，其功能模块是用C++实现的，通过一定数量的字符样本独立的分析出文本的编码，当前已经支持UTF-8/GB13080/BIG5等共30多种编码。稍感遗憾的是uchardet几乎没提供什么文档，幸好作者通过学习和研究已经掌握其基本用法，这里给出一个实例，以免大家走弯路。

[cpp]  view plain copy

1. #include <stdio.h>  
2. #include <uchardet/uchardet.h>  
3.   
4. /* 样本数量 */  
5. #define NUMBER_OF_SAMPLES   (2048)  
6.   
7. int main(int argc, char* argv[])  
8. {  
9.     FILE* file;  
10.     char buf[NUMBER_OF_SAMPLES];  
11.     int len;  
12.     uchardet_t ud;  
13.   
14.     /* 打开被检测文本文件，并读取一定数量的样本字符 */  
15.     file = fopen("gb18030.txt", "rt");  
16.     len = fread(buf, sizeof(char), NUMBER_OF_SAMPLES, file);  
17.     fclose(file);  
18.   
19.     /* 通过样本字符分析文本编码 */  
20.     ud = uchardet_new();  
21.     if(uchardet_handle_data(ud, buf, len) != 0) /* 如果样本字符不够，那么有可能导致分析失败 */  
22.     {  
23.         printf("分析编码失败！\n");  
24.         return -1;  
25.     }  
26.     uchardet_data_end(ud);  
27.     printf("文本的编码方式是%s。\n", uchardet_get_charset(ud));  /* 获取并打印文本编码 */  
28.     uchardet_delete(ud);  
29.   
30.     return 0;  
31. }