.NET(C#)：关于正确读取中文编码文件

首先如果读者对编码或者BOM还不熟悉的话，推荐先读这篇文章：.NET(C#)：字符编码(Encoding)和字节顺序标记(BOM)。

中文编码基本可以分成两大类：
1. ANSI编码的扩展集合：比如GBK, GB2312, GB18030等，这类编码都不存在BOM（一些更新的标准中文编码，比如GB18030和GBK编码，都向后兼容GB2312编码）。
2. Unicode编码集合：比如UTF-8, UTF-16, UTF-32等。这类编码可以有BOM，也可以不加BOM。
3. 部分Unicode编码还存在具体字节次序问题（Endianess），就是所谓的Little endian和Big endian之分，不同此节次序对于不同的BOM，比如UTF16，不过UTF8不存在字节次序问题。

OK，了解了基本知识后，让我们回到主题，该如何正确打开中文文本文件。第一个需要确认的信息是：你的Unicode编码文件是否包含BOM？

如果包含BOM的话，那么一切好说！因为如果我们发现了BOM，我们就知道他的具体编码了。如果没有发现BOM，那就不是Unicode，我们用系统默认的ANSI扩展中文编码集打开文本文件就OK了。
而如果Unicode编码没有BOM的话（显然，你不能保证用户给你的所有Unicode文件都是有BOM的），那么你要手动从原始字节中判断他是GBK？还是UTF8？还是其他编码？。这个就需要具体的编码觉察算法了（可以google “charset|encoding detection”）， 当然编码觉察算法不一定会100%准确，正是因为这点，Windows记事本会有Bush hid the facts bug。在Chrome浏览网页时，也会遇到乱码的情况的。个人感觉，Notepad++的编码觉察做的还是很准确的。
编码觉察算法有很多，比如这个工程：https://code.google.com/p/ude

 
如果Unicode都带BOM的话，则就不需要第三方类库了。不过也有一些需要说明的地方。

问题就是.NET中读取文本方法（File类和StreamReader）默认是以UTF8编码来读取的，因此此类GBK的文本文件直接用.NET打开（不指定编码的话）结果肯定是乱码！

首先这里最有效地解决方案是使用系统默认的ANSI扩展编码，也就是系统默认的非Unicode编码来读取文本，参考代码：

//输出系统默认非Unicode编码
Console.WriteLine(Encoding.Default.EncodingName);
//使用系统默认非Unicode编码来打开文件
var fileContent = File.ReadAllText("C:\test.txt", Encoding.Default);

 

在简体中文的Windows系统下应该输出：

简体中文(GB2312)
<文本内容省略>...

而且使用这个方法其实是不限于简体中文的。

 

当然也可以手动去指定一个编码，比如就是GBK编码，但是如果用指定的GBK编码去打开一个Unicode文件，文件还会打开成功吗？答案是仍然成功。原因是.NET在打开文件时默认会自动觉察BOM然后用根据BOM得到的编码去打开文件，如果没有BOM再用用户指定的编码区打开文件，如果用户没有指定编码，则使用UTF8编码。

 

这个”自动觉察BOM“的参数可以在StreamReader中构造函数中设置，对应detectEncodingFromByteOrderMarks参数。

但是在File类的相应方法中无法设置。（比如：File.ReadAllText）。

 

比如下面代码，分别用：

• GB2312编码，自动觉察BOM 来读取GB2312文本
• GB2312编码，自动觉察BOM 来读取Unicode文本
• GB2312编码，不觉察BOM 来读取Unicode文本

 

static void Main()
{
    var gb2312 = Encoding.GetEncoding("GB2312");
    //用GB2312编码，自动觉察BOM 来读取GB2312文本
    ReadFile("gbk.txt", gb2312, true);
    //用GB2312编码，自动觉察BOM 来读取Unicode文本
    ReadFile("unicode.txt", gb2312, true);
    //用GB2312编码，不觉察BOM 来读取Unicode文本
    ReadFile("unicode.txt", gb2312, false);
}

//通过StreamReader读取文本
 static void ReadFile(string path, Encoding enc, bool detectEncodingFromByteOrderMarks)
{
    StreamReader sr;
    using (sr = new StreamReader(path, enc, detectEncodingFromByteOrderMarks))
    {
        Console.WriteLine(sr.ReadToEnd());
    }
}

 

输出：

a刘
a刘
???

第三行是乱码。

 

看到上面，使用GB2312编码去打开Unicode文件也会成功的。因为“自动觉察BOM”参数为True，所以当发现该文件有BOM，.NET会通过BOM觉察到是Unicode文件，然后用Unicode去打开文件的。当然如果没有BOM，会使用指定的编码参数去打开文件。对于GB2312编码的文本，显然是没有BOM的，所以必须指定GB2312编码，否则.NET会用默认的UTF8编码去解析文件，是无法读取结果的。第三行出现乱码则是由于“自动觉察BOM”为False，.NET会直接用指定的GB2312编码去读取一个有BOM的Unicode编码文本文件，显然无法成功的。

 

当然还可以自己判断BOM，如果没有BOM的话，指定一个缺省编码去打开文本。我在以前一篇文章中写到过（.NET(C#)：从文件中觉察编码）。

代码：

static void Main()
{
    PrintText("gb2312.txt");
    PrintText("unicode.txt");
}

//根据文件自动觉察编码并输出内容
static void PrintText(string path)
{
    var enc = GetEncoding(path, Encoding.GetEncoding("GB2312"));
    using (var sr = new StreamReader(path, enc))
    {
        Console.WriteLine(sr.ReadToEnd());
    }
}

/// 

/// 根据文件尝试返回字符编码
/// 
/// "file">文件路径
/// "defEnc">没有BOM返回的默认编码
/// 如果文件无法读取，返回null。否则，返回根据BOM判断的编码或者缺省编码（没有BOM）。
static Encoding GetEncoding(string file, Encoding defEnc)
{
    using (var stream = File.OpenRead(file))
    {
        //判断流可读？
        if (!stream.CanRead)
            return null;
        //字节数组存储BOM
        var bom = new byte[4];
        //实际读入的长度
        int readc;

        readc = stream.Read(bom, 0, 4);

        if (readc >= 2)
        {
            if (readc >= 4)
            {
                //UTF32，Big-Endian
                if (CheckBytes(bom, 4, 0x00, 0x00, 0xFE, 0xFF))
                    return new UTF32Encoding(true, true);
                //UTF32，Little-Endian
                if (CheckBytes(bom, 4, 0xFF, 0xFE, 0x00, 0x00))
                    return new UTF32Encoding(false, true);
            }
            //UTF8
            if (readc >= 3 && CheckBytes(bom, 3, 0xEF, 0xBB, 0xBF))
                return new UTF8Encoding(true);

            //UTF16，Big-Endian
            if (CheckBytes(bom, 2, 0xFE, 0xFF))
                return new UnicodeEncoding(true, true);
            //UTF16，Little-Endian
            if (CheckBytes(bom, 2, 0xFF, 0xFE))
                return new UnicodeEncoding(false, true);
        }

        return defEnc;
    }
}

//辅助函数，判断字节中的值
static bool CheckBytes(byte[] bytes, int count, params int[] values)
{
    for (int i = 0; i < count; i++)
        if (bytes[i] != values[i])
            return false;
    return true;
}

上面代码，对于Unicode文本，GetEncoding方法会返回UTF16编码（更具体：还会根据BOM返回Big或者Little-Endian的UTF16编码），而没有BOM的文件则会返回缺省值GB2312编码。

Related Posts:

1. .NET(C#)：从文件中觉察编码
2. .NET(C#)：字符编码(Encoding)和字节顺序标记(BOM)
3. .NET(C#)：使用System.Text.Decoder类来处理“流文本”
4. .NET(C#)：浅谈程序集清单资源和RESX资源