识别不带BOM(无签名)的UTF-8文件

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

public bool IsUTF8Bytes(byte[] data)
        {

          
            int charByteCounter = 1;  //计算当前正分析的字符应还有的字节数
           
            byte curByte; //当前分析的字节.

         
            for (int i = 0; i < data.Length; i++)
            {
                curByte = data[i];

               

                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)
            {
                throw new Exception("非预期的byte格式");
            }
         

            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/