zip文件中的文件编码(C#/ ionic-zip)

Question

我们在zip文件中编码文件时出现问题.我们使用离子拉链来压缩和解压缩档案.我们位于丹麦,所以我们经常在文件名中包含æ,ø或å的文件.

当用户使用Windows内置工具压缩文件时,我发现它正在使用IBM437 enconding,当我们在其中包含'ø'/'Ø'的文件时,这只是给出了一些时髦的结果.我修复了以下代码:

public static string IBM437Encode(this string text)
{
    return text.Replace('ø', '¢').Replace('Ø', '¥');
}
public static string IBM437Decode(this string text)
{
    return text.Replace('¢', 'ø').Replace('¥', 'Ø');
}

这已经运行了一段时间了,一切都很好.

但是,因为它总是一个但是,我们没有尝试用mac osx中的默认工具压缩的文件.所以现在我们遇到了一个新问题..当使用æ,ø和å时,编码是UTF-8! 所以如果我知道压缩拉链的位置,我可以让它工作,但是有没有简单的方法来检测或规范化拉链内的编码？

Answer 1

检测编码总是一件棘手的事情,但UTF8 对有效序列中预期的值有严格的按位规则,并且您可以通过在这些序列不正确时抛出异常而失败的初始化UTF8Encoding对象:

public static Boolean MatchesUtf8Encoding(Byte[] bytes)
{
    UTF8Encoding enc = new UTF8Encoding(false, true);
    try { enc.GetString(bytes) }
    catch(ArgumentException) { return false; }
    return true;
}

如果你在zip中的所有文件名上运行它,你可以确定它是否在任何地方失败,在这种情况下你可以得出结论,名称不会保存为UTF-8.

请注意,除了UTF-8之外,计算机的默认编码(Encoding.Default通常是美国和西欧国家的Windows-1252,但根据地区和语言而烦恼地不同)和您已经遇到的DOS-437编码之间存在恼人的差异.

区分它们是非常非常困难的,并且可能需要通过实际检查每个编码超出字节0x80的范围产生正常的重音字符,以及哪些是您通常不希望在文件中遇到的特殊字符来完成名称.例如,许多DOS-437字符是用于在DOS中绘制半图形用户界面的帧.

作为参考,这些是DOS-437中的特殊字符(因此字节范围为0x80-0xFF):

80    ÇüéâäàåçêëèïîìÄÅ
90    ÉæÆôöòûùÿÖÜ¢£¥?ƒ
A0    áíóúñѪº¿?¬½¼¡«»
B0    ????????????????
C0    ????????????????
D0    ????????????????
E0    ?ß????µ?????????
F0    ?±????÷?°?·??²? 

在Windows-1252中:

80    €?‚ƒ„…†‡ˆ‰Š‹Œ?Ž?
90    ?‘’“”•–—˜™š›œ?žŸ
A0     ¡¢£¤¥¦§¨©ª«¬?®¯
B0    °±²³´µ¶·¸¹º»¼½¾¿
C0    ÀÁÂÃÄÅÆÇÈÉÊËÌÍÎÏ
D0    ÐÑÒÓÔÕÖ×ØÙÚÛÜÝÞß
E0    àáâãäåæçèéêëìíîï
F0    ðñòóôõö÷øùúûüýþÿ

其中一些甚至不可打印,因此使它更容易一些.

如你所见,一般来说,DOS-437的大多数重音字符都在0x80-0xA5区域(Beta在0xE1经常在德国用作eszett),而Win-1252几乎所有这些都在0xC0-0xFF区域.如果确定这些区域,您可以制作一个扫描机制来评估它似乎倾向于哪种编码,只需计算每个区域的预期范围内外的数量.

请注意,Char在c#中表示一个unicode字符,无论它是从字节加载的是什么,并且unicode字符具有某些分类,您可以通过编程方式查找它们以区分正常字母(可能带有变音符号)和各种类型的特殊字符(简单示例) :我知道其中一个类是"空白字符").可能值得研究该系统来自动确定"正常语言字符"的过程.