C# 判斷文件流編碼格式

參考:https://www.cnblogs.com/cyq1162/p/9183424.html

參考:https://cloud.tencent.com/developer/article/1343240

參考:https://cloud.tencent.com/developer/article/1342448

ascii<gb2312<gbk<gb18030,符合中文的,可以直接用gb18030解析。

gb2312:6538個漢字

gbk:2W多個漢字(包含了 繁體字)

gb18030:5W多個漢字(包含了 繁體字)


    /// <summary>
    /// 字節文本編碼檢測
    /// </summary>
    public class TextEncodingDetect
    {
        public Encoding DefaultEncoding = Encoding.GetEncoding("GB2312");

        #region 含有BOM時的,BOM頭字節檢測 編碼

        private readonly byte[] _UTF8Bom =
        {
            0xEF,
            0xBB,
            0xBF
        };

        //utf16le _UnicodeBom
        private readonly byte[] _UTF16LeBom =
        {
            0xFF,
            0xFE
        };

        //utf16be _BigUnicodeBom
        private readonly byte[] _UTF16BeBom =
        {
            0xFE,
            0xFF
        };

        //utf-32le
        private readonly byte[] _UTF32LeBom =
        {
            0xFF,
            0xFE,
            0x00,
            0x00
        };

        //utf-32Be
        private readonly byte[] _UTF32BeBom =
        {
            0x00,
            0x00,
            0xFE,
            0xFF
        };

        #endregion

        /// <summary>
        /// 是否中文
        /// </summary>
        public bool IsChinese = false;

        /// <summary>
        /// 是否擁有Bom頭
        /// </summary>
        public bool hasBom = false;

        public enum TextEncode
        {
            None, // Unknown or binary
            Ansi, // 0-255
            Ascii, // 0-127
            Utf8Bom, // UTF8 with BOM
            Utf8Nobom, // UTF8 without BOM
            UnicodeBom, // UTF16 LE with BOM
            UnicodeNoBom, // UTF16 LE without BOM
            BigEndianUnicodeBom, // UTF16-BE with BOM
            BigEndianUnicodeNoBom, // UTF16-BE without BOM

            Utf32Bom,//UTF-32LE with BOM
            Utf32NoBom, //UTF-32 without BOM
            GB2312,
            GBK,
            GB18030,
        }

        /// <summary>
        /// 中文編碼
        /// </summary>
        /// <param name="encoding"></param>
        /// <returns></returns>
        private bool IsChineseEncoding(Encoding encoding)
        {
            return encoding == Encoding.GetEncoding("gb2312") || encoding == Encoding.GetEncoding("gbk") || encoding == Encoding.GetEncoding("big5");
        }

        /// <summary>
        /// 獲取文件編碼
        /// </summary>
        /// <param name="buffer"></param>
        /// <returns></returns>
        public Encoding GetEncoding(byte[] buff)
        {
            return GetEncoding(buff, DefaultEncoding);
        }

        /// <summary>
        /// 獲取文件編碼
        /// </summary>
        /// <param name="buff"></param>
        /// <param name="defaultEncoding"></param>
        /// <returns></returns>
        public Encoding GetEncoding(byte[] buff, Encoding defaultEncoding)
        {
            hasBom = true;
            //檢測Bom
            switch (DetectWithBom(buff))
            {
                case TextEncodingDetect.TextEncode.Utf8Bom:
                    return Encoding.UTF8;
                case TextEncodingDetect.TextEncode.UnicodeBom:
                    return Encoding.Unicode;
                case TextEncodingDetect.TextEncode.BigEndianUnicodeBom:
                    return Encoding.BigEndianUnicode;
                case TextEncodingDetect.TextEncode.Utf32Bom:
                    return Encoding.UTF32;
            }

            hasBom = false;
            if (defaultEncoding != DefaultEncoding && defaultEncoding != Encoding.ASCII)//自定義設置編碼,優先處理。
            {
                return defaultEncoding;
            }
            switch (DetectWithoutBom(buff, buff.Length))//自動檢測。
            {
                case TextEncodingDetect.TextEncode.Utf8Nobom:
                    return Encoding.UTF8;
                case TextEncodingDetect.TextEncode.UnicodeNoBom:
                    return Encoding.Unicode;
                case TextEncodingDetect.TextEncode.BigEndianUnicodeNoBom:
                    return Encoding.BigEndianUnicode;
                case TextEncodingDetect.TextEncode.Utf32NoBom:
                    return Encoding.UTF32;
                case TextEncodingDetect.TextEncode.Ansi:
                    if (IsChineseEncoding(DefaultEncoding) && !IsChineseEncoding(defaultEncoding))
                    {
                        if (IsChinese)
                        {
                            return Encoding.GetEncoding("gbk");
                        }
                        else//非中文時,默認選一個。
                        {
                            return Encoding.Unicode;
                        }
                    }
                    else
                    {
                        return defaultEncoding;
                    }
                case TextEncodingDetect.TextEncode.Ascii:
                    return Encoding.ASCII;
                case TextEncodingDetect.TextEncode.GB2312:
                    return Encoding.GetEncoding("GB2312");
                case TextEncodingDetect.TextEncode.GB18030:
                    return Encoding.GetEncoding("GB18030");
                case TextEncodingDetect.TextEncode.GBK:
                    return Encoding.GetEncoding("GBK");
                default:
                    return defaultEncoding;
            }
        }

        /// <summary>
        /// 檢測BOM頭
        /// </summary>
        /// <param name="buffer"></param>
        /// <returns></returns>
        public TextEncode DetectWithBom(byte[] buffer)
        {
            if (buffer != null)
            {
                int size = buffer.Length;
                // Check for BOM
                if (size >= 2 && buffer[0] == _UTF16LeBom[0] && buffer[1] == _UTF16LeBom[1])
                {
                    return TextEncode.UnicodeBom;
                }

                if (size >= 2 && buffer[0] == _UTF16BeBom[0] && buffer[1] == _UTF16BeBom[1])
                {
                    if (size >= 4 && buffer[2] == _UTF32LeBom[2] && buffer[3] == _UTF32LeBom[3])
                    {
                        return TextEncode.Utf32Bom;
                    }
                    return TextEncode.BigEndianUnicodeBom;
                }

                if (size >= 3 && buffer[0] == _UTF8Bom[0] && buffer[1] == _UTF8Bom[1] && buffer[2] == _UTF8Bom[2])
                {
                    return TextEncode.Utf8Bom;
                }
            }
            return TextEncode.None;
        }

        /// <summary>
        ///     Automatically detects the Encoding type of a given byte buffer.
        /// </summary>
        /// <param name="buffer">The byte buffer.</param>
        /// <param name="size">The size of the byte buffer.</param>
        /// <returns>The Encoding type or Encoding.None if unknown.</returns>
        public TextEncode DetectWithoutBom(byte[] buffer, int size)
        {
            // Now check for valid UTF8
            TextEncode encoding = CheckUtf8(buffer, size);
            if (encoding == TextEncode.Utf8Nobom)
            {
                return encoding;
            }

            // ANSI or None (binary) then 一個零都沒有情況。
            if (!ContainsZero(buffer, size))
            {
                CheckChinese(buffer, size, out var txtEncod);
                if (IsChinese)
                {
                    if (txtEncod != TextEncode.None)
                        return txtEncod;
                    else
                        return TextEncode.Ansi;
                }
            }

            // Now try UTF16  按尋找換行字符先進行判斷
            encoding = CheckByNewLineChar(buffer, size);
            if (encoding != TextEncode.None)
            {
                return encoding;
            }

            // 沒辦法了,只能按0出現的次數比率,做大體的預判
            encoding = CheckByZeroNumPercent(buffer, size);
            if (encoding != TextEncode.None)
            {
                return encoding;
            }

            // Found a null, return based on the preference in null_suggests_binary_
            return TextEncode.None;
        }

        /// <summary>
        ///     Checks if a buffer contains text that looks like utf16 by scanning for
        ///     newline chars that would be present even in non-english text.
        ///     以檢測換行符標識來判斷。
        /// </summary>
        /// <param name="buffer">The byte buffer.</param>
        /// <param name="size">The size of the byte buffer.</param>
        /// <returns>Encoding.none, Encoding.Utf16LeNoBom or Encoding.Utf16BeNoBom.</returns>
        private static TextEncode CheckByNewLineChar(byte[] buffer, int size)
        {
            if (size < 2)
            {
                return TextEncode.None;
            }

            // Reduce size by 1 so we don't need to worry about bounds checking for pairs of bytes
            size--;

            int le16 = 0;
            int be16 = 0;
            int le32 = 0;//檢測是否utf32le。
            int zeroCount = 0;//utf32le 每4位後面多數是0
            uint pos = 0;
            while (pos < size)
            {
                byte ch1 = buffer[pos++];
                byte ch2 = buffer[pos++];

                if (ch1 == 0)
                {
                    if (ch2 == 0x0a || ch2 == 0x0d)//\r \t 換行檢測。
                    {
                        ++be16;
                    }
                }
                if (ch2 == 0)
                {
                    zeroCount++;
                    if (ch1 == 0x0a || ch1 == 0x0d)
                    {
                        ++le16;
                        if (pos + 1 <= size && buffer[pos] == 0 && buffer[pos + 1] == 0)
                        {
                            ++le32;
                        }

                    }
                }

                // If we are getting both LE and BE control chars then this file is not utf16
                if (le16 > 0 && be16 > 0)
                {
                    return TextEncode.None;
                }
            }

            if (le16 > 0)
            {
                if (le16 == le32 && buffer.Length % 4 == 0)
                {
                    return TextEncode.Utf32NoBom;
                }
                return TextEncode.UnicodeNoBom;
            }
            else if (be16 > 0)
            {
                return TextEncode.BigEndianUnicodeNoBom;
            }
            else if (buffer.Length % 4 == 0 && zeroCount >= buffer.Length / 4)
            {
                return TextEncode.Utf32NoBom;
            }
            return TextEncode.None;
        }

        /// <summary>
        /// Checks if a buffer contains any nulls. Used to check for binary vs text data.
        /// </summary>
        /// <param name="buffer">The byte buffer.</param>
        /// <param name="size">The size of the byte buffer.</param>
        private static bool ContainsZero(byte[] buffer, int size)
        {
            uint pos = 0;
            while (pos < size)
            {
                if (buffer[pos++] == 0)
                {
                    return true;
                }
            }

            return false;
        }

        /// <summary>
        ///     Checks if a buffer contains text that looks like utf16. This is done based
        ///     on the use of nulls which in ASCII/script like text can be useful to identify.
        ///     按照一定的空0數的概率來預測。
        /// </summary>
        /// <param name="buffer">The byte buffer.</param>
        /// <param name="size">The size of the byte buffer.</param>
        /// <returns>Encoding.none, Encoding.Utf16LeNoBom or Encoding.Utf16BeNoBom.</returns>
        private TextEncode CheckByZeroNumPercent(byte[] buffer, int size)
        {
            //單數
            int oddZeroCount = 0;
            //雙數
            int evenZeroCount = 0;

            // Get even nulls
            uint pos = 0;
            while (pos < size)
            {
                if (buffer[pos] == 0)
                {
                    evenZeroCount++;
                }

                pos += 2;
            }

            // Get odd nulls
            pos = 1;
            while (pos < size)
            {
                if (buffer[pos] == 0)
                {
                    oddZeroCount++;
                }

                pos += 2;
            }

            double evenZeroPercent = evenZeroCount * 2.0 / size;
            double oddZeroPercent = oddZeroCount * 2.0 / size;

            // Lots of odd nulls, low number of even nulls 這裏的條件做了修改
            if (evenZeroPercent < 0.1 && oddZeroPercent > 0)
            {
                return TextEncode.UnicodeNoBom;
            }

            // Lots of even nulls, low number of odd nulls 這裏的條件也做了修改
            if (oddZeroPercent < 0.1 && evenZeroPercent > 0)
            {
                return TextEncode.BigEndianUnicodeNoBom;
            }

            // Don't know
            return TextEncode.None;
        }

        /// <summary>
        ///     Checks if a buffer contains valid utf8.
        ///     以UTF8 的字節範圍來檢測。
        /// </summary>
        /// <param name="buffer">The byte buffer.</param>
        /// <param name="size">The size of the byte buffer.</param>
        /// <returns>
        ///     Encoding type of Encoding.None (invalid UTF8), Encoding.Utf8NoBom (valid utf8 multibyte strings) or
        ///     Encoding.ASCII (data in 0.127 range).
        /// </returns>
        /// <returns>2</returns>
        private TextEncode CheckUtf8(byte[] buffer, int size)
        {
            // UTF8 Valid sequences
            // 0xxxxxxx  ASCII
            // 110xxxxx 10xxxxxx  2-byte
            // 1110xxxx 10xxxxxx 10xxxxxx  3-byte
            // 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx  4-byte
            //
            // Width in UTF8
            // Decimal      Width
            // 0-127        1 byte
            // 194-223      2 bytes
            // 224-239      3 bytes
            // 240-244      4 bytes
            //
            // Subsequent chars are in the range 128-191
            bool onlySawAsciiRange = true;
            uint pos = 0;

            while (pos < size)
            {
                byte ch = buffer[pos++];

                if (ch == 0)
                {
                    return TextEncode.None;
                }

                int moreChars;
                if (ch <= 127)
                {
                    // 1 byte
                    moreChars = 0;
                }
                else if (ch >= 194 && ch <= 223)
                {
                    // 2 Byte
                    moreChars = 1;
                }
                else if (ch >= 224 && ch <= 239)
                {
                    // 3 Byte
                    moreChars = 2;
                }
                else if (ch >= 240 && ch <= 244)
                {
                    // 4 Byte
                    moreChars = 3;
                }
                else
                {
                    return TextEncode.None; // Not utf8
                }

                // Check secondary chars are in range if we are expecting any
                while (moreChars > 0 && pos < size)
                {
                    onlySawAsciiRange = false; // Seen non-ascii chars now

                    ch = buffer[pos++];
                    if (ch < 128 || ch > 191)
                    {
                        return TextEncode.None; // Not utf8
                    }

                    --moreChars;
                }
            }

            // If we get to here then only valid UTF-8 sequences have been processed

            // If we only saw chars in the range 0-127 then we can't assume UTF8 (the caller will need to decide)
            return onlySawAsciiRange ? TextEncode.Ascii : TextEncode.Utf8Nobom;
        }

        /// <summary>
        /// 是否中文編碼(GB2312、GBK、Big5)
        /// </summary>
        private void CheckChinese(byte[] buffer, int size,out TextEncode txtEncode)
        {
            txtEncode = TextEncode.None;
            IsChinese = false;
            if (size < 2)
            {
                return;
            }

            // Reduce size by 1 so we don't need to worry about bounds checking for pairs of bytes
            size--;
            uint pos = 0;
            bool isCN = false;
            while (pos < size)
            {
                //GB2312
                //0xB0-0xF7(176-247)
                //0xA0-0xFE(160-254)

                //GBK
                //0x81-0xFE(129-254)
                //0x40-0xFE(64-254)

                //Big5
                //0x81-0xFE(129-255)
                //0x40-0x7E(64-126)  OR 0xA1-0xFE(161-254)
                byte ch_1 = buffer[pos++];
                byte ch_2 = buffer[pos++];
                var tuple =Tuple.Create(ch_1, ch_2);
                switch (tuple)
                {
                    case var a when (a.Item1 >= 176 && a.Item1 <= 247 && a.Item2 >= 160 && a.Item2 <= 254) && txtEncode < TextEncode.GBK:
                        txtEncode = TextEncode.GB2312;
                        IsChinese = true;
                        break;
                    case var a when (a.Item1 >= 176 && a.Item1 <= 247 && a.Item2 >= 160 && a.Item2 <= 254):
                        txtEncode = TextEncode.GBK;
                        IsChinese = true;
                        break;
                    case var a when (a.Item1 >= 129 && a.Item1 <= 255 && ((a.Item2 >= 64 && a.Item2 <= 126) || (a.Item2 >= 161 && a.Item2 <= 254))):
                        txtEncode = TextEncode.GB18030;
                        IsChinese = true;
                        return;
                    default:
                        IsChinese = false;
                        break;
                }
                //isCN = (ch1 >= 176 && ch1 <= 247 && ch2 >= 160 && ch2 <= 254)
                //    || (ch1 >= 129 && ch1 <= 254 && ch2 >= 64 && ch2 <= 254)
                //    || (ch1 >= 129 && ((ch2 >= 64 && ch2 <= 126) || (ch2 >= 161 && ch2 <= 254)));
                //if (isCN)
                //{
                //    IsChinese = true;
                //    return;
                //}
            }
        }
    }

    /// <summary>
    /// 文字編碼檢測。
    /// 用於檢測一篇文章使用什麼編碼方式進行編碼。
    /// </summary>
    public class StreamBianMaJianCe
    {
        /// <summary>
        /// BigEndianUnicode編碼高頻漢字編碼
        /// </summary>
        private List<byte[]> _BigEndianUnicodeGaoPinZiFuBianMaLsit = new List<byte[]>()
        {
            new byte[2]{118,132},new byte[2]{78,0},new byte[2]{86,253},new byte[2]{87,40},new byte[2]{78,186},new byte[2]{78,134},new byte[2]{103,9},new byte[2]{78,45},
            new byte[2]{102,47},new byte[2]{94,116},new byte[2]{84,140},new byte[2]{89,39},new byte[2]{78,26},new byte[2]{78,13},new byte[2]{78,58},new byte[2]{83,209},
            new byte[2]{79,26},new byte[2]{93,229},new byte[2]{126,207},new byte[2]{78,10},new byte[2]{87,48},new byte[2]{94,2},new byte[2]{137,129},new byte[2]{78,42},
            new byte[2]{78,167},new byte[2]{143,217},new byte[2]{81,250},new byte[2]{136,76},new byte[2]{79,92},new byte[2]{117,31},new byte[2]{91,182},new byte[2]{78,229},
            new byte[2]{98,16},new byte[2]{82,48},new byte[2]{101,229},new byte[2]{108,17},new byte[2]{103,101},new byte[2]{98,17},new byte[2]{144,232},new byte[2]{91,249},
            new byte[2]{143,219},new byte[2]{89,26},new byte[2]{81,104},new byte[2]{94,250},new byte[2]{78,214},new byte[2]{81,108},new byte[2]{95,0},new byte[2]{78,236},
            new byte[2]{87,58},new byte[2]{92,85},new byte[2]{101,246},new byte[2]{116,6},new byte[2]{101,176},new byte[2]{101,185},new byte[2]{78,59},new byte[2]{79,1},
            new byte[2]{141,68},new byte[2]{91,158},new byte[2]{91,102},new byte[2]{98,165},new byte[2]{82,54},new byte[2]{101,63},new byte[2]{109,78},new byte[2]{117,40},
            new byte[2]{84,12},new byte[2]{78,142},new byte[2]{108,213},new byte[2]{154,216},new byte[2]{149,127},new byte[2]{115,176},new byte[2]{103,44},new byte[2]{103,8},
            new byte[2]{91,154},new byte[2]{83,22},new byte[2]{82,160},new byte[2]{82,168},new byte[2]{84,8},new byte[2]{84,193},new byte[2]{145,205},new byte[2]{81,115},
            new byte[2]{103,58},new byte[2]{82,6},new byte[2]{82,155},new byte[2]{129,234},new byte[2]{89,22},new byte[2]{128,5},new byte[2]{83,58},new byte[2]{128,253},
            new byte[2]{139,190},new byte[2]{84,14},new byte[2]{92,49},new byte[2]{123,73},new byte[2]{79,83},new byte[2]{78,11},new byte[2]{78,7},new byte[2]{81,67},
            new byte[2]{121,62},new byte[2]{143,199},new byte[2]{82,77},new byte[2]{151,98},new byte[2]{48,2},new byte[2]{255,12},new byte[2]{255,31},new byte[2]{255,1}
        };
        /// <summary>
        /// UTF8編碼高頻漢字編碼
        /// </summary>
        private List<byte[]> _UTF8GaoPinZiFuBianMaLsit = new List<byte[]>()
        {
            new byte[3]{231,154,132},new byte[3]{228,184,128},new byte[3]{229,155,189},new byte[3]{229,156,168},new byte[3]{228,186,186},new byte[3]{228,186,134},
            new byte[3]{230,156,137},new byte[3]{228,184,173},new byte[3]{230,152,175},new byte[3]{229,185,180},new byte[3]{229,146,140},new byte[3]{229,164,167},
            new byte[3]{228,184,154},new byte[3]{228,184,141},new byte[3]{228,184,186},new byte[3]{229,143,145},new byte[3]{228,188,154},new byte[3]{229,183,165},
            new byte[3]{231,187,143},new byte[3]{228,184,138},new byte[3]{229,156,176},new byte[3]{229,184,130},new byte[3]{232,166,129},new byte[3]{228,184,170},
            new byte[3]{228,186,167},new byte[3]{232,191,153},new byte[3]{229,135,186},new byte[3]{232,161,140},new byte[3]{228,189,156},new byte[3]{231,148,159},
            new byte[3]{229,174,182},new byte[3]{228,187,165},new byte[3]{230,136,144},new byte[3]{229,136,176},new byte[3]{230,151,165},new byte[3]{230,176,145},
            new byte[3]{230,157,165},new byte[3]{230,136,145},new byte[3]{233,131,168},new byte[3]{229,175,185},new byte[3]{232,191,155},new byte[3]{229,164,154},
            new byte[3]{229,133,168},new byte[3]{229,187,186},new byte[3]{228,187,150},new byte[3]{229,133,172},new byte[3]{229,188,128},new byte[3]{228,187,172},
            new byte[3]{229,156,186},new byte[3]{229,177,149},new byte[3]{230,151,182},new byte[3]{231,144,134},new byte[3]{230,150,176},new byte[3]{230,150,185},
            new byte[3]{228,184,187},new byte[3]{228,188,129},new byte[3]{232,181,132},new byte[3]{229,174,158},new byte[3]{229,173,166},new byte[3]{230,138,165},
            new byte[3]{229,136,182},new byte[3]{230,148,191},new byte[3]{230,181,142},new byte[3]{231,148,168},new byte[3]{229,144,140},new byte[3]{228,186,142},
            new byte[3]{230,179,149},new byte[3]{233,171,152},new byte[3]{233,149,191},new byte[3]{231,142,176},new byte[3]{230,156,172},new byte[3]{230,156,136},
            new byte[3]{229,174,154},new byte[3]{229,140,150},new byte[3]{229,138,160},new byte[3]{229,138,168},new byte[3]{229,144,136},new byte[3]{229,147,129},
            new byte[3]{233,135,141},new byte[3]{229,133,179},new byte[3]{230,156,186},new byte[3]{229,136,134},new byte[3]{229,138,155},new byte[3]{232,135,170},
            new byte[3]{229,164,150},new byte[3]{232,128,133},new byte[3]{229,140,186},new byte[3]{232,131,189},new byte[3]{232,174,190},new byte[3]{229,144,142},
            new byte[3]{229,176,177},new byte[3]{231,173,137},new byte[3]{228,189,147},new byte[3]{228,184,139},new byte[3]{228,184,135},new byte[3]{229,133,131},
            new byte[3]{231,164,190},new byte[3]{232,191,135},new byte[3]{229,137,141},new byte[3]{233,157,162},new byte[3]{227,128,130},new byte[3]{239,188,140},
            new byte[3]{239,188,159},new byte[3]{239,188,129},
        };
        /// <summary>
        /// Unicode編碼高頻漢字編碼
        /// </summary>
        private List<byte[]> _UnicodeGaoPinZiFuBianMaLsit = new List<byte[]>()
        {
            new byte[2]{132,118},new byte[2]{0,78},new byte[2]{253,86},new byte[2]{40,87},new byte[2]{186,78},new byte[2]{134,78},new byte[2]{9,103},new byte[2]{45,78},
            new byte[2]{47,102},new byte[2]{116,94},new byte[2]{140,84},new byte[2]{39,89},new byte[2]{26,78},new byte[2]{13,78},new byte[2]{58,78},new byte[2]{209,83},
            new byte[2]{26,79},new byte[2]{229,93},new byte[2]{207,126},new byte[2]{10,78},new byte[2]{48,87},new byte[2]{2,94},new byte[2]{129,137},new byte[2]{42,78},
            new byte[2]{167,78},new byte[2]{217,143},new byte[2]{250,81},new byte[2]{76,136},new byte[2]{92,79},new byte[2]{31,117},new byte[2]{182,91},new byte[2]{229,78},
            new byte[2]{16,98},new byte[2]{48,82},new byte[2]{229,101},new byte[2]{17,108},new byte[2]{101,103},new byte[2]{17,98},new byte[2]{232,144},new byte[2]{249,91},
            new byte[2]{219,143},new byte[2]{26,89},new byte[2]{104,81},new byte[2]{250,94},new byte[2]{214,78},new byte[2]{108,81},new byte[2]{0,95},new byte[2]{236,78},
            new byte[2]{58,87},new byte[2]{85,92},new byte[2]{246,101},new byte[2]{6,116},new byte[2]{176,101},new byte[2]{185,101},new byte[2]{59,78},new byte[2]{1,79},
            new byte[2]{68,141},new byte[2]{158,91},new byte[2]{102,91},new byte[2]{165,98},new byte[2]{54,82},new byte[2]{63,101},new byte[2]{78,109},new byte[2]{40,117},
            new byte[2]{12,84},new byte[2]{142,78},new byte[2]{213,108},new byte[2]{216,154},new byte[2]{127,149},new byte[2]{176,115},new byte[2]{44,103},new byte[2]{8,103},
            new byte[2]{154,91},new byte[2]{22,83},new byte[2]{160,82},new byte[2]{168,82},new byte[2]{8,84},new byte[2]{193,84},new byte[2]{205,145},new byte[2]{115,81},
            new byte[2]{58,103},new byte[2]{6,82},new byte[2]{155,82},new byte[2]{234,129},new byte[2]{22,89},new byte[2]{5,128},new byte[2]{58,83},new byte[2]{253,128},
            new byte[2]{190,139},new byte[2]{14,84},new byte[2]{49,92},new byte[2]{73,123},new byte[2]{83,79},new byte[2]{11,78},new byte[2]{7,78},new byte[2]{67,81},
            new byte[2]{62,121},new byte[2]{199,143},new byte[2]{77,82},new byte[2]{98,151},new byte[2]{2,48},new byte[2]{12,255},new byte[2]{31,255},new byte[2]{1,255}
        };
        /// <summary>
        /// UTF32編碼高頻漢字編碼
        /// </summary>
        private List<byte[]> _UTF32GaoPinZiFuBianMaLsit = new List<byte[]>()
        {
            new byte[4]{132,118,0,0},new byte[4]{0,78,0,0},new byte[4]{253,86,0,0},new byte[4]{40,87,0,0},new byte[4]{186,78,0,0},new byte[4]{134,78,0,0},new byte[4]{9,103,0,0},
            new byte[4]{45,78,0,0},new byte[4]{47,102,0,0},new byte[4]{116,94,0,0},new byte[4]{140,84,0,0},new byte[4]{39,89,0,0},new byte[4]{26,78,0,0},new byte[4]{13,78,0,0},
            new byte[4]{58,78,0,0},new byte[4]{209,83,0,0},new byte[4]{26,79,0,0},new byte[4]{229,93,0,0},new byte[4]{207,126,0,0},new byte[4]{10,78,0,0},new byte[4]{48,87,0,0},
            new byte[4]{2,94,0,0},new byte[4]{129,137,0,0},new byte[4]{42,78,0,0},new byte[4]{167,78,0,0},new byte[4]{217,143,0,0},new byte[4]{250,81,0,0},new byte[4]{76,136,0,0},
            new byte[4]{92,79,0,0},new byte[4]{31,117,0,0},new byte[4]{182,91,0,0},new byte[4]{229,78,0,0},new byte[4]{16,98,0,0},new byte[4]{48,82,0,0},new byte[4]{229,101,0,0},
            new byte[4]{17,108,0,0},new byte[4]{101,103,0,0},new byte[4]{17,98,0,0},new byte[4]{232,144,0,0},new byte[4]{249,91,0,0},new byte[4]{219,143,0,0},new byte[4]{26,89,0,0},
            new byte[4]{104,81,0,0},new byte[4]{250,94,0,0},new byte[4]{214,78,0,0},new byte[4]{108,81,0,0},new byte[4]{0,95,0,0},new byte[4]{236,78,0,0},new byte[4]{58,87,0,0},
            new byte[4]{85,92,0,0},new byte[4]{246,101,0,0},new byte[4]{6,116,0,0},new byte[4]{176,101,0,0},new byte[4]{185,101,0,0},new byte[4]{59,78,0,0},new byte[4]{1,79,0,0},
            new byte[4]{68,141,0,0},new byte[4]{158,91,0,0},new byte[4]{102,91,0,0},new byte[4]{165,98,0,0},new byte[4]{54,82,0,0},new byte[4]{63,101,0,0},new byte[4]{78,109,0,0},
            new byte[4]{40,117,0,0},new byte[4]{12,84,0,0},new byte[4]{142,78,0,0},new byte[4]{213,108,0,0},new byte[4]{216,154,0,0},new byte[4]{127,149,0,0},new byte[4]{176,115,0,0},
            new byte[4]{44,103,0,0},new byte[4]{8,103,0,0},new byte[4]{154,91,0,0},new byte[4]{22,83,0,0},new byte[4]{160,82,0,0},new byte[4]{168,82,0,0},new byte[4]{8,84,0,0},
            new byte[4]{193,84,0,0},new byte[4]{205,145,0,0},new byte[4]{115,81,0,0},new byte[4]{58,103,0,0},new byte[4]{6,82,0,0},new byte[4]{155,82,0,0},new byte[4]{234,129,0,0},
            new byte[4]{22,89,0,0},new byte[4]{5,128,0,0},new byte[4]{58,83,0,0},new byte[4]{253,128,0,0},new byte[4]{190,139,0,0},new byte[4]{14,84,0,0},new byte[4]{49,92,0,0},
            new byte[4]{73,123,0,0},new byte[4]{83,79,0,0},new byte[4]{11,78,0,0},new byte[4]{7,78,0,0},new byte[4]{67,81,0,0},new byte[4]{62,121,0,0},new byte[4]{199,143,0,0},
            new byte[4]{77,82,0,0},new byte[4]{98,151,0,0},new byte[4]{2,48,0,0},new byte[4]{12,255,0,0},new byte[4]{31,255,0,0},new byte[4]{1,255,0,0}
        };
        /// <summary>
        /// UTF7編碼高頻漢字編碼
        /// </summary>
        private List<byte[]> _UTF7GaoPinZiFuBianMaLsit = new List<byte[]>()
        {
            new byte[5]{43,100,111,81,45},new byte[5]{43,84,103,65,45},new byte[5]{43,86,118,48,45},new byte[5]{43,86,121,103,45},new byte[5]{43,84,114,111,45},new byte[5]{43,84,111,89,45},
            new byte[5]{43,90,119,107,45},new byte[5]{43,84,105,48,45},new byte[5]{43,90,105,56,45},new byte[5]{43,88,110,81,45},new byte[5]{43,86,73,119,45},new byte[5]{43,87,83,99,45},
            new byte[5]{43,84,104,111,45},new byte[5]{43,84,103,48,45},new byte[5]{43,84,106,111,45},new byte[5]{43,85,57,69,45},new byte[5]{43,84,120,111,45},new byte[5]{43,88,101,85,45},
            new byte[5]{43,102,115,56,45},new byte[5]{43,84,103,111,45},new byte[5]{43,86,122,65,45},new byte[5]{43,88,103,73,45},new byte[5]{43,105,89,69,45},new byte[5]{43,84,105,111,45},
            new byte[5]{43,84,113,99,45},new byte[5]{43,106,57,107,45},new byte[5]{43,85,102,111,45},new byte[5]{43,105,69,119,45},new byte[5]{43,84,49,119,45},new byte[5]{43,100,82,56,45},
            new byte[5]{43,87,55,89,45},new byte[5]{43,84,117,85,45},new byte[5]{43,89,104,65,45},new byte[5]{43,85,106,65,45},new byte[5]{43,90,101,85,45},new byte[5]{43,98,66,69,45},
            new byte[5]{43,90,50,85,45},new byte[5]{43,89,104,69,45},new byte[5]{43,107,79,103,45},new byte[5]{43,87,47,107,45},new byte[5]{43,106,57,115,45},new byte[5]{43,87,82,111,45},
            new byte[5]{43,85,87,103,45},new byte[5]{43,88,118,111,45},new byte[5]{43,84,116,89,45},new byte[5]{43,85,87,119,45},new byte[5]{43,88,119,65,45},new byte[5]{43,84,117,119,45},
            new byte[5]{43,86,122,111,45},new byte[5]{43,88,70,85,45},new byte[5]{43,90,102,89,45},new byte[5]{43,100,65,89,45},new byte[5]{43,90,98,65,45},new byte[5]{43,90,98,107,45},
            new byte[5]{43,84,106,115,45},new byte[5]{43,84,119,69,45},new byte[5]{43,106,85,81,45},new byte[5]{43,87,53,52,45},new byte[5]{43,87,50,89,45},new byte[5]{43,89,113,85,45},
            new byte[5]{43,85,106,89,45},new byte[5]{43,90,84,56,45},new byte[5]{43,98,85,52,45},new byte[5]{43,100,83,103,45},new byte[5]{43,86,65,119,45},new byte[5]{43,84,111,52,45},
            new byte[5]{43,98,78,85,45},new byte[5]{43,109,116,103,45},new byte[5]{43,108,88,56,45},new byte[5]{43,99,55,65,45},new byte[5]{43,90,121,119,45},new byte[5]{43,90,119,103,45},
            new byte[5]{43,87,53,111,45},new byte[5]{43,85,120,89,45},new byte[5]{43,85,113,65,45},new byte[5]{43,85,113,103,45},new byte[5]{43,86,65,103,45},new byte[5]{43,86,77,69,45},
            new byte[5]{43,107,99,48,45},new byte[5]{43,85,88,77,45},new byte[5]{43,90,122,111,45},new byte[5]{43,85,103,89,45},new byte[5]{43,85,112,115,45},new byte[5]{43,103,101,111,45},
            new byte[5]{43,87,82,89,45},new byte[5]{43,103,65,85,45},new byte[5]{43,85,122,111,45},new byte[5]{43,103,80,48,45},new byte[5]{43,105,55,52,45},new byte[5]{43,86,65,52,45},
            new byte[5]{43,88,68,69,45},new byte[5]{43,101,48,107,45},new byte[5]{43,84,49,77,45},new byte[5]{43,84,103,115,45},new byte[5]{43,84,103,99,45},new byte[5]{43,85,85,77,45},
            new byte[5]{43,101,84,52,45},new byte[5]{43,106,56,99,45},new byte[5]{43,85,107,48,45},new byte[5]{43,108,50,73,45},new byte[5]{43,77,65,73,45},new byte[5]{43,47,119,119,45},
            new byte[5]{43,47,120,56,45},new byte[5]{43,47,119,69,45}
        };
        /// <summary>
        /// GB18030編碼高頻漢字編碼
        /// </summary>
        private List<byte[]> _GB18030GaoPinZiFuBianMaLsit = new List<byte[]>()
        {
            new byte[2]{181,196},new byte[2]{210,187},new byte[2]{185,250},new byte[2]{212,218},new byte[2]{200,203},new byte[2]{193,203},new byte[2]{211,208},new byte[2]{214,208},new byte[2]{202,199},
            new byte[2]{196,234},new byte[2]{186,205},new byte[2]{180,243},new byte[2]{210,181},new byte[2]{178,187},new byte[2]{206,170},new byte[2]{183,162},new byte[2]{187,225},new byte[2]{185,164},
            new byte[2]{190,173},new byte[2]{201,207},new byte[2]{181,216},new byte[2]{202,208},new byte[2]{210,170},new byte[2]{184,246},new byte[2]{178,250},new byte[2]{213,226},new byte[2]{179,246},
            new byte[2]{208,208},new byte[2]{215,247},new byte[2]{201,250},new byte[2]{188,210},new byte[2]{210,212},new byte[2]{179,201},new byte[2]{181,189},new byte[2]{200,213},new byte[2]{195,241},
            new byte[2]{192,180},new byte[2]{206,210},new byte[2]{178,191},new byte[2]{182,212},new byte[2]{189,248},new byte[2]{182,224},new byte[2]{200,171},new byte[2]{189,168},new byte[2]{203,251},
            new byte[2]{185,171},new byte[2]{191,170},new byte[2]{195,199},new byte[2]{179,161},new byte[2]{213,185},new byte[2]{202,177},new byte[2]{192,237},new byte[2]{208,194},new byte[2]{183,189},
            new byte[2]{214,247},new byte[2]{198,243},new byte[2]{215,202},new byte[2]{202,181},new byte[2]{209,167},new byte[2]{177,168},new byte[2]{214,198},new byte[2]{213,254},new byte[2]{188,195},
            new byte[2]{211,195},new byte[2]{205,172},new byte[2]{211,218},new byte[2]{183,168},new byte[2]{184,223},new byte[2]{179,164},new byte[2]{207,214},new byte[2]{177,190},new byte[2]{212,194},
            new byte[2]{182,168},new byte[2]{187,175},new byte[2]{188,211},new byte[2]{182,175},new byte[2]{186,207},new byte[2]{198,183},new byte[2]{214,216},new byte[2]{185,216},new byte[2]{187,250},
            new byte[2]{183,214},new byte[2]{193,166},new byte[2]{215,212},new byte[2]{205,226},new byte[2]{213,223},new byte[2]{199,248},new byte[2]{196,220},new byte[2]{201,232},new byte[2]{186,243},
            new byte[2]{190,205},new byte[2]{181,200},new byte[2]{204,229},new byte[2]{207,194},new byte[2]{205,242},new byte[2]{212,170},new byte[2]{201,231},new byte[2]{185,253},new byte[2]{199,176},
            new byte[2]{195,230},new byte[2]{161,163},new byte[2]{163,172},new byte[2]{163,191},new byte[2]{163,161}
        };
        /// <summary>
        /// 表示需要猜測編碼的流。
        /// </summary>
        private Stream _thisStream;
        /// <summary>
        /// 構造函數
        /// </summary>
        /// <param name="_canShuStream">參數流</param>
        public StreamBianMaJianCe(Stream _canShuStream)
        {
            if (_canShuStream == null || _canShuStream.Length < 100)
            {
                throw new System.NullReferenceException("WenZiBianMaJianCe構造函數參數_canShuStream不能爲空且長度不能小於100");
            }
            _thisStream = _canShuStream;
        }
        /// <summary>
        /// 檢測。
        /// </summary>
        /// <returns>流的編碼</returns>
        public Encoding JianCe()
        {
            byte[] _streamByte = DuQuWeiZiJie();
            Encoding _returnEncoding = Encoding.UTF8;
            //通過BOM頭來判斷編碼,有BOM頭也就沒必要去猜了。
            if (GenJuBomCaiBianMa(_streamByte, out _returnEncoding) == false)
            {
                _returnEncoding = CaiJieWenZiBianMa(_streamByte);
            }
            return _returnEncoding;
        }
        /// <summary>
        /// 讀取數據爲字節。
        /// </summary>
        /// <returns></returns>
        private byte[] DuQuWeiZiJie()
        {
            BinaryReader _BinaryReader = new BinaryReader(_thisStream);
            byte[] _returnByte = new byte[_thisStream.Length];
            //判斷流的長度。
            if (_thisStream.Length < (long)int.MaxValue)//小於整型值的情況
            {
                _BinaryReader.Read(_returnByte, 0, (int)_thisStream.Length);
            }
            else//大於整型值的情況
            {
                long _index = 0;
                while (_index < _returnByte.Length)
                {
                    _returnByte.CopyTo(_BinaryReader.ReadBytes(1024), _index);
                    _index = _index + 1024L;
                }
            }
            return _returnByte;
        }
        /// <summary>
        /// 根據BOM頭返回編碼格式。
        /// </summary>
        /// <param name="_streamByte">流的字節組。</param>
        /// <returns></returns>
        private bool GenJuBomCaiBianMa(byte[] _streamByte, out Encoding _ruCanEncoding)
        {
            //132 49 149 51 GB-18030
            if (_streamByte[0] == 132 && _streamByte[1] == 49 && _streamByte[2] == 149 && _streamByte[3] == 51)
            {
                _ruCanEncoding = Encoding.GetEncoding("GB-18030");
                return true;
            }

            //239 187 191 UTF-8
            if (_streamByte[0] == 239 && _streamByte[1] == 187 && _streamByte[2] == 191)
            {
                _ruCanEncoding = Encoding.UTF8;
                return true;
            }

            //254 255 Unicode
            if (_streamByte[0] == 254 && _streamByte[1] == 255)
            {
                _ruCanEncoding = Encoding.Unicode;
                return true;
            }

            if (_streamByte[0] == 255 && _streamByte[1] == 254)
            {
                //255 254 0 0 UTF-32
                if (_streamByte[2] == 0 && _streamByte[3] == 0)
                {
                    _ruCanEncoding = Encoding.UTF32;
                }

                //255 254 BigEndianUnicode
                _ruCanEncoding = Encoding.BigEndianUnicode;
                return true;
            }

            //43 47 118 UTF-7
            if (_streamByte[0] == 43 && _streamByte[1] == 47 && _streamByte[2] == 118)
            {
                //[ 56 | 57 | 43 | 47 ]
                if (_streamByte[3] == 56 || _streamByte[3] == 57 || _streamByte[3] == 43 || _streamByte[3] == 47)
                {
                    _ruCanEncoding = Encoding.UTF7;
                    return true;
                }
            }

            _ruCanEncoding = null;
            return false;
        }
        /// <summary>
        /// 猜解文字編碼,適用於沒有BOM頭的情況。
        /// </summary>
        /// <param name="_streamByte">流的字節組。</param>
        /// <returns></returns>
        private Encoding CaiJieWenZiBianMa(byte[] _streamByte)
        {
            //按照中文世界編碼使用概率確定猜解順序。         
            //UTF8
            if (GaoPinZiJianCeUFT8(_streamByte) == true)
            {
                return Encoding.UTF8;
            }
            //gb18030
            if (GaoPinZiJianCeGB18030(_streamByte) == true)
            {
                return Encoding.GetEncoding("gb18030");
            }
            //UTF7
            if (GaoPinZiJianCeUTF7(_streamByte) == true)
            {
                return Encoding.UTF7;
            }
            //UTF-32任何字符都以四個字節編碼,必然可以被四整除
            if (_streamByte.Length % 4 == 0)
            {
                if (GaoPinZiJianCeUTF32(_streamByte) == true)//UTF32
                {
                    return Encoding.UTF32;
                }

            }
            //BigEndianUnicode和Unicode任何字符都以二個字節編碼,必然可以被二整除
            if (_streamByte.Length % 2 == 0)
            {
                //Unicode
                if (GaoPinZiJianCeUnicode(_streamByte) == true)
                {
                    return Encoding.Unicode;
                }
                //BigEndianUnicod
                if (GaoPinZiJianCeBigEndianUnicode(_streamByte) == true)
                {
                    return Encoding.BigEndianUnicode;
                }
            }
            //如果上述猜解都失敗了,則返回UTF-8。
            return Encoding.UTF8;
        }
        /// <summary>
        /// 高頻字檢查法,UFT8編碼方法
        /// </summary>
        /// <param name="_streamByte">流字節組</param>
        /// <returns></returns>
        private bool GaoPinZiJianCeUFT8(byte[] _streamByte)
        {
            //命中次數。
            int _mingZhongCiShu = 0;

            foreach (byte[] bShuZu in _UTF8GaoPinZiFuBianMaLsit)
            {
                for (int i = 0; i < _streamByte.Length; i++)
                {
                    //判斷首編碼是否相等
                    if (bShuZu[0] == _streamByte[i])
                    {
                        //如果首字節相等,則檢查後面二個字節是否也相等
                        if ((i + 1 < _streamByte.Length && _streamByte[i + 1] == bShuZu[1])
                            && (i + 2 < _streamByte.Length && _streamByte[i + 2] == bShuZu[2]))
                        {
                            _mingZhongCiShu++;
                        }
                    }
                }

                //UTF-8有一定機率與其他編碼衝突,故而增加命中次數,減少誤差。
                if (_mingZhongCiShu > 2)
                {
                    return true;
                }
            }

            return false;
        }
        /// <summary>
        /// 高頻字檢查法,Unicode編碼方法
        /// </summary>
        /// <param name="_streamByte">流字節組</param>
        /// <returns></returns>
        private bool GaoPinZiJianCeUnicode(byte[] _streamByte)
        {
            foreach (byte[] bShuZu in _UnicodeGaoPinZiFuBianMaLsit)
            {
                for (int i = 0; i < _streamByte.Length; i++)
                {
                    //判斷首編碼是否相等
                    if (bShuZu[0] == _streamByte[i]
                        && (i + 1 < _streamByte.Length && _streamByte[i + 1] == bShuZu[1]))
                    {
                        //如果首字節相等,則檢查後面二個字節是否也相等
                        return true;
                    }
                }
            }
            return false;
        }
        /// <summary>
        /// 高頻字檢查法,UTF32編碼方法
        /// </summary>
        /// <param name="_streamByte">流字節組</param>
        /// <returns></returns>
        private bool GaoPinZiJianCeUTF32(byte[] _streamByte)
        {
            foreach (byte[] bShuZu in _UTF32GaoPinZiFuBianMaLsit)
            {
                for (int i = 0; i < _streamByte.Length; i++)
                {
                    //判斷首編碼是否相等
                    if (bShuZu[0] == _streamByte[i])
                    {
                        //如果首字節相等,則檢查後面二個字節是否也相等
                        if ((i + 1 < _streamByte.Length && _streamByte[i + 1] == bShuZu[1])
                            && (i + 2 < _streamByte.Length && _streamByte[i + 2] == bShuZu[2])
                            && (i + 3 < _streamByte.Length && _streamByte[i + 3] == bShuZu[3]))
                        {
                            return true;
                        }
                    }
                }
            }
            return false;
        }
        /// <summary>
        /// 高頻字檢查法,UTF7編碼方法
        /// </summary>
        /// <param name="_streamByte">流字節組</param>
        /// <returns></returns>
        private bool GaoPinZiJianCeUTF7(byte[] _streamByte)
        {
            foreach (byte[] bShuZu in _UTF7GaoPinZiFuBianMaLsit)
            {
                for (int i = 0; i < _streamByte.Length; i++)
                {
                    //判斷首編碼是否相等
                    if (bShuZu[0] == _streamByte[i])
                    {
                        //如果首字節相等,則檢查後面二個字節是否也相等
                        if ((i + 1 < _streamByte.Length && _streamByte[i + 1] == bShuZu[1])
                            && (i + 2 < _streamByte.Length && _streamByte[i + 2] == bShuZu[2])
                            && (i + 3 < _streamByte.Length && _streamByte[i + 3] == bShuZu[3])
                            && (i + 4 < _streamByte.Length && _streamByte[i + 4] == bShuZu[4]))
                        {
                            return true;
                        }
                    }
                }
            }
            return false;
        }
        /// <summary>
        /// 高頻字檢查法,GB18030編碼方法
        /// </summary>
        /// <param name="_streamByte">流字節組</param>
        /// <returns></returns>
        private bool GaoPinZiJianCeGB18030(byte[] _streamByte)
        {
            foreach (byte[] bShuZu in _GB18030GaoPinZiFuBianMaLsit)
            {
                for (int i = 0; i < _streamByte.Length; i++)
                {
                    //判斷首編碼是否相等
                    if (bShuZu[0] == _streamByte[i])
                    {
                        //如果首字節相等,則檢查後面二個字節是否也相等
                        if ((i + 1 < _streamByte.Length && _streamByte[i + 1] == bShuZu[0]))
                        {
                            return true;
                        }
                    }
                }
            }
            return false;
        }
        /// <summary>
        /// 高頻字檢查法,Unicode編碼方法
        /// </summary>
        /// <param name="_streamByte">流字節組</param>
        /// <returns></returns>
        private bool GaoPinZiJianCeBigEndianUnicode(byte[] _streamByte)
        {
            foreach (byte[] bShuZu in _BigEndianUnicodeGaoPinZiFuBianMaLsit)
            {
                for (int i = 0; i < _streamByte.Length; i++)
                {

                    //判斷首編碼是否相等
                    if (bShuZu[0] == _streamByte[i])
                    {
                        //如果首字節相等,則檢查後面二個字節是否也相等
                        if ((i + 1 < _streamByte.Length && _streamByte[i + 1] == bShuZu[1]))
                        {
                            return true;
                        }
                    }
                }
            }
            return false;
        }
    }

發表評論
所有評論
還沒有人評論,想成為第一個評論的人麼? 請在上方評論欄輸入並且點擊發布.
相關文章