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文件的位置，我可以让它工作，但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方式初始化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，但根据地区和语言有很多不同）和DOS-437编码之间存在令人讨厌的差异。遇到。

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    αßΓπΣσµτΦΘΩδ∞φε∩
F0    ≡±≥≤⌠⌡÷≈°∙·√ⁿ²■

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，c＃中的Char表示unicode字符，无论它是从字节加载的是什么，unicode字符具有某些分类，您可以通过编程方式查找，以区分正常字母（可能带有变音符号）和各种特殊字符类别（简单）例如：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。