读写文本文件时汉字乱码

当我们用System.IO.StreamReader读取包含汉字的txt文件时，经常会读出乱码（StreamWriater写文本文件也有类似的问题），原因很简单，就是文件的编码（encoding）和StreamReader/Writer的encoding不对应。

    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。

//  作者：袁晓辉

//  2005-8-8

// // // // // //

using System;

using System.Text;

using System.IO;

namespace Farproc.Text

{

    /**//// 

    /// 用于取得一个文本文件的编码方式(Encoding)。

    /// 

    public class TxtFileEncoding

    {

        public TxtFileEncoding()

        {

            //

            // TODO: 在此处添加构造函数逻辑

            //

        }

        /**//// 

        /// 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。

        /// 

        /// 文件名。

        /// 

        public static Encoding GetEncoding(string fileName)

        {

            return GetEncoding(fileName, Encoding.Default);

        }

        /**//// 

        /// 取得一个文本文件流的编码方式。

        /// 

        /// 文本文件流。

        /// 

        public static Encoding GetEncoding(FileStream stream)

        {

            return GetEncoding(stream, Encoding.Default);

        }

        /**//// 

        /// 取得一个文本文件的编码方式。

        /// 

        /// 文件名。

        /// 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。

        /// 

        public static Encoding GetEncoding(string fileName, Encoding defaultEncoding)

        {

            FileStream fs = new FileStream(fileName, FileMode.Open);

            Encoding targetEncoding = GetEncoding(fs, defaultEncoding);

            fs.Close();

            return targetEncoding;

        }

        /**//// 

        /// 取得一个文本文件流的编码方式。

        /// 

        /// 文本文件流。

        /// 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。

        /// 

        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;

        }

    }

}

 

    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 Farproc.Text;

using System.Text;

using System.IO;

namespace ConsoleApplication1

{

    /**//// 

    /// Class1 的摘要说明。

    /// 

    class Class1

    {

        /**//// 

        /// 应用程序的主入口点。

        /// 

        [STAThread]

        static void Main(string[] args)

        {

            //

            // TODO: 在此处添加代码以启动应用程序

            //

            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或转换到其他Encoding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:)

毛毛的小窝