[技术讨论] [关于字符编码]GBK 和 UTF-8 之间的交集

PakTC

今天PS版主不是说到不带BOM的UTF-8和 GBK编码区分么？ 于是就准备着手写了。
先搜索一下，哟，Demon有一个VBS版的 区分 无BOM UTF-8 和GBK编码的脚本。
又翻了一下编码范围，还发现一些GBK的汉字对应的编码和UTF-8字符编码重合，
辨别起来还是要结合实际的。
        那些能够互相吻合的编码，比如"\xC2\x80"  在UTF-8中是"€"， GBK中是"聙";
但是保存到文本里，用记事本打开，始终显示为 "€"  （保存到帖子里变成欧元字符了 ）
（
   也许notepad优先使用UTF-8编码识别，但是我们实际中还是更期望找到中文字符，
   而不是特殊符号，这个时候统一码的汉字范围U+4E00 ~ U+9FFF可以作为很好的判
   断依据。
）

参考：
链接：GBK编码和UTF-8编码的交集

    字符数量少、信息单一的时候有一定几率出现混淆，比如上面的
"聙"（GBK/UTF-8: C2 80）。这个时候旁边加一个 "中"（仅GBK: d6 d0）
保存，记事本就能够正确识别为 “聙中”。

生成示例文本的代码：

open FH,">:raw","C280GBK_1.x";
print FH "\xc2\x80";
close FH;

open FH,">:raw","C280GBK_2.x";
print FH "\xc2\x80\xd6\xd0";
close FH;
复制代码

其他代码过几天送上。

523066680

回复 11# codegay


    =_= 他也就只能在脚本社区里面蹦跶了

codegay

回复 10# CrLf

powershell才是世界上最好的语言!-_-!
   

CrLf

回复 9# codegay


    碰到爱打仗的某人真是哭笑不得...

codegay

历史上的战争

wskwfkbdn

虽然是过去的帖子啦，我也出来扯蛋几句，utf8的编码和ansi的编码，除了半角字符完全一样，utf8全角一律比ansi全角字符多一个字节，utf8是3个字节的，ansi是2个字节，想准确的识别我有个方法已经实现了。

PowerShell

你有更好的Perl脚本的话，不妨拿出来分享一下。
更好的Perl脚本？----1为什么要用脚本，而不用话语，中文语言？2为什么非用perl脚本。
每人都有特长的计算机语言，我不觉得会bat的都会perl。

perl识别的代码就在那儿，示例文本也在那儿-------------
1我不觉得所有论坛坛友都会perl，你会用代码和实例描述，而不会用语言（中文）描述？
2是不是不会perl，只会powershell的小学生，就不配和你讨论文件编码呢？
3文件编码问题是你跑到在bat版块嚷出来的，你不会忘了吧。要说【原初】，这根本不是你的话题啊。

--------------------------------------------------
结论：
1 拿来一个文本，不告诉你编码，你是用什么方法区分的?效率如何，准确度如何？----总论点，纵观你帖子全篇，没一句说了这块。

1.1 分论点1，如何区分，一个文本是ansi？还是utf8？还是unicode编码？
1.2分论点2，如何区分，一个文本是哪种ansi编码。如这个文本是gb2312码？还是bi5码？

上述根本问题，你从来避而不谈，你还SAY A JB？
-------------------------------------
另外告诉你个事实，根据我的最新测试，linux下的 一些个 文本编辑软件，也是支持bom头的，
也就是说，这些软件是，兼容+使用了 微软判断文件编码的方案的。
有空我整理出来，你也可以自己测试，这些都是铁的事实，而且不用会perl，只要会中文，都能看懂。
最后，我重申，微软发明的bom头及解决方案，和所有editor相关，和所有计算机语言相关。
不是说不会perl就不应该去懂，也不是说会perl，就高人一等。

本论坛中有讨论多种计算机语言，会点perl就屁颠了，就【大学生了！】，让人笑掉大牙！

PakTC

回复 4# PowerShell


    SB 就是 SB ，还敢跑出来装B，perl识别的代码就在那儿，示例文本也在那儿，同样的文本，你不敢亮个powershell识别的代码？
没代码你SAY A JB？给你点面子还得瑟的一B样。一看就是只会powershell的小学生。

DAIC

回复 4# PowerShell


    你有更好的Perl脚本的话，不妨拿出来分享一下。

PowerShell

语无伦次+胡说八道+又臭又长。

论点在哪？论据如何？
通篇看不到你如何能区别编码。

我就知道你顾左右而言它，根本说不出来东西，看你帖子只是在浪费时间。

楼下看官看了你的帖子，能看出你说什么呢？谁说说，你3楼说出了什么论点论据？

像你这样胡乱堆积文字，写作文，凑数，对付老师，我小学就会了。
----------------------------------------------------------------
在我眼中，讨论 区分一个文本的编码，必须要有这么几个论点：
1 拿来一个文本，不告诉你编码，你是用什么方法区分的?效率如何，准确度如何？----总论点，纵观你帖子全篇，没一句说了这块。

1.1 分论点1，如何区分，一个文本是ansi？还是utf8？还是unicode编码？
1.2分论点2，如何区分，一个文本是哪种ansi编码。如这个文本是gb2312码？还是bi5码？

各国常见文本文件编码上百种，各自为政，不兼容多年。你就能准确区分？让人笑掉大牙。

-------------------------------------------------------------
还是哪句话，说不明白，要求，想法，目的，过程，的假大空文章，论文比比皆是，看之=浪费时间。

PakTC

楼主闭关数月，所得如何？

不用头，如何区别ansi和utf-8编码文件啊？

我被你喷了，微软方案被你鄙视了 ...
PowerShell 发表于 2014-3-22 14:22

哇，我好害怕啊，居然把某邪*版主喷了

use Encode;
use Encode::Detect::CJK qw(detect);

recogn("C280GBK_2.txt");
recogn("C280UTF-8.txt");

sub recogn {
    $file=shift;
    open READ,"<:raw",$file or die "Can not open file: $! ";
    $line=<READ>;
    print "Filename:", $file, " Code:",detect($line),"\n";
    close READ;
}
复制代码

显示结果：
Filename:C280GBK_2.txt Code:cp936
Filename:C280UTF-8.txt Code:utf8
这结果和用WIN记事本识别的结果是一致的。


我所引用的帖子里，都说了一个观点，那就是UTF-8不需要加BOM，仅仅是说UTF-8。
问题在于GBK编码文本不加BOM，而UTF-8编码文本却加BOM。
（业界先有UTF-8，其他平台已经适应了不带BOM下进行区分。微软却独自加了BOM，而且还是三个字节，
导致了其他平台上读取的时候出错。这就是引用的帖子里批判的地方。）
两种编码之间存在交集，更大的问题在于，UTF-8的BOM ef bb bf 前两个字节可以识别为GBK "锘"
bf 加上 61 可以识别为GBK “縜”

一个带BOM的UTF-8编码文本保存了一行文字:abcdfef中文论坛
ef bb bf 61 62 63 64 66 65 66 e4 b8 ad e6 96 87 e8 ae ba e5 9d 9b
如果算法中使用GBK优先做识别，那这段字就可以按GBK编码为：
锘縜bcdfef涓�鏂囪�哄潧

PowerShell

楼主闭关数月，所得如何？

不用头，如何区别ansi和utf-8编码文件啊？

我被你喷了，微软方案被你鄙视了，如今我找上门来了，你倒别跑啊 ...?