c # Обнаруживает xml-кодировку из массива байтов?
-
06-09-2019 - |
Вопрос
Ну, у меня есть массив байтов, и я знаю, что это xml-сериализованный объект в массиве байтов, есть ли какой-нибудь способ получить из него кодировку?
Я не собираюсь десерилизовывать его, но сохраняю в xml-поле на сервере sql...значит, мне нужно преобразовать его в строку?
Решение
Вы могли бы посмотреть на первые 40 байтов1.Они следует содержать декларацию документа (предполагая, что это имеет объявление документа), которое должно либо содержать кодировку или вы можете предположить, что это UTF-8 или UTF-16, что должно быть очевидно из того, как вы поняли <?xml
часть.(Просто проверьте наличие обоих шаблонов.)
Реально ли вы ожидаете, что когда-нибудь получите что-нибудь, кроме UTF-8 или UTF-16?Если нет, вы могли бы проверить наличие шаблонов, которые вы получаете в начале обоих из них, и выдать исключение, если оно не соответствует ни одному из шаблонов.В качестве альтернативы, если вы хотите предпринять еще одну попытку, вы всегда можете попытаться декодировать документ как UTF-8, перекодировать его и посмотреть, получите ли вы обратно те же байты.Это не идеально, но это может просто сработать.
Я уверен, что есть более строгие способы сделать это, но они, скорее всего, будут привередливыми :)
1 Вполне возможно, что меньше этого.Я полагаю, 20 символов должно быть достаточно, что составляет 40 байт в UTF-16.
Другие советы
Решение, аналогичное этот вопрос можно было бы решить эту проблему, используя поток через массив байтов.Тогда вам не придется возиться на уровне байтов.Вот так:
Encoding encoding;
using (var stream = new MemoryStream(bytes))
{
using (var xmlreader = new XmlTextReader(stream))
{
xmlreader.MoveToContent();
encoding = xmlreader.Encoding;
}
}
Первые 2 или 3 байта могут быть меткой порядка байтов (BOM), которая может сообщить вам, является ли поток UTF-8, Unicode-LittleEndian или Unicode-BigEndian.
Спецификация UTF-8 равна 0xEF 0xBB 0xBF Кодировка Unicode-Bigendian равна 0xFE 0xFF Кодировка Unicode-LittleEndiaon равна 0xFF 0xFE
Если ничего из этого нет, то вы можете использовать ASCII для проверки <?xml
(обратите внимание, что большинство современных генераций XML придерживаются стандарта, согласно которому перед объявлением xml не должно быть пробелов).
ASCII используется до тех пор, пока ?>
таким образом, вы можете обнаружить наличие encoding= и найти его значение.Если кодировка отсутствует или <?xml
declare отсутствует, тогда вы можете предположить UTF-8.
В Спецификация W3C XML содержит раздел о том, как определить кодировку байтовой строки.
Сначала проверьте наличие Метки Порядка байтов в Юникоде
Спецификация - это просто еще один символ;это тот самый:
Персонаж U+FEFF, наряду с любым другим символом в файле, кодируется с использованием соответствующей схемы кодирования:
00 00 FE FF
: UCS-4, высокопроизводительная машина (заказ 1234)FF FE 00 00
: UCS-4, машина литтл-энда (4321 заказ)00 00 FF FE
: UCS-4, необычный порядок октетов (2143)FE FF 00 00
: UCS-4, необычный порядок октетов (3412)FE FF ## ##
: UTF-16, кодировка с большим окончаниемFF FE ## ##
: UTF-16, младший порядковый номерEF BB BF
: UTF-8
где ## ##
может быть чем угодно - за исключением того, что оба равны нулю
Итак, сначала проверьте начальные байты на наличие любой из этих подписей.Если вы найдете один из них, верните его идентификатор кодовой страницы
UInt32 GuessEncoding(byte[] XmlString)
{
if BytesEqual(XmlString, [00, 00, $fe, $ff]) return 12001; //"utf-32BE" - Unicode UTF-32, big endian byte order
if BytesEqual(XmlString, [$ff, $fe, 00, 00]) return 1200; //"utf-32" - Unicode UTF-32, little endian byte order
if BytesEqual(XmlString, [$fe, $ff, 00, 00]) throw new Exception("Nobody supports 2143 UCS-4");
if BytesEqual(XmlString, [$fe, $ff, 00, 00]) throw new Exception("Nobody supports 3412 UCS-4");
if BytesEqual(XmlString, [$fe, $ff])
{
if (XmlString[2] <> 0) && (XmlString[3] <> 0)
return 1201; //"unicodeFFFE" - Unicode UTF-16, big endian byte order
}
if BytesEqual(XmlString, [$ff, $fe])
{
if (XmlString[2] <> 0) && (XmlString[3] <> 0)
return 1200; //"utf-16" - Unicode UTF-16, little endian byte order
}
if BytesEqual(XmlString, [$ef, $bb, $bf]) return 65001; //"utf-8" - Unicode (UTF-8)
Или же ищите <?xml
Если в XML-документе нет знака порядка байтов, то вы переходите к поиску первых пяти символов, которые должны быть в каждом XML-документе:
<?xml
Полезно знать, что
<
является #x0000003C?
является #x0000003F
С учетом этого у нас есть достаточно, чтобы взглянуть на первые четыре байта:
00 00 00 3C
: UCS-4, высокопроизводительная машина (заказ 1234)3C 00 00 00
: UCS-4, машина литтл-энда (4321 заказ)00 00 3C 00
: UCS-4, необычный порядок октетов (2143)00 3C 00 00
: UCS-4, необычный порядок октетов (3412)00 3C 00 3F
: UTF-16, кодировка с большим окончанием3C 00 3F 00
: UTF-16, младший порядковый номер3C 3F 78 6D
: UTF-84C 6F A7 94
: немного вкуса EBCDIC
Таким образом, мы можем добавить больше в наш код:
if BytesEqual(XmlString, [00, 00, 00, $3C]) return 12001; //"utf-32BE" - Unicode UTF-32, big endian byte order
if BytesEqual(XmlString, [$3C, 00, 00, 00]) return 1200; //"utf-32" - Unicode UTF-32, little endian byte order
if BytesEqual(XmlString, [00, 00, $3C, 00]) throw new Exception("Nobody supports 2143 UCS-4");
if BytesEqual(XmlString, [00, $3C, 00, 00]) throw new Exception("Nobody supports 3412 UCS-4");
if BytesEqual(XmlString, [00, $3C, 00, $3F]) return return 1201; //"unicodeFFFE" - Unicode UTF-16, big endian byte order
if BytesEqual(XmlString, [$3C, 00, $3F, 00]) return 1200; //"utf-16" - Unicode UTF-16, little endian byte order
if BytesEqual(XmlString, [$3C, $3F, $78, $6D]) return 65001; //"utf-8" - Unicode (UTF-8)
if BytesEqual(XmlString, [$4C, $6F, $A7, $94])
{
//Some variant of EBCDIC, e.g.:
//20273 IBM273 IBM EBCDIC Germany
//20277 IBM277 IBM EBCDIC Denmark-Norway
//20278 IBM278 IBM EBCDIC Finland-Sweden
//20280 IBM280 IBM EBCDIC Italy
//20284 IBM284 IBM EBCDIC Latin America-Spain
//20285 IBM285 IBM EBCDIC United Kingdom
//20290 IBM290 IBM EBCDIC Japanese Katakana Extended
//20297 IBM297 IBM EBCDIC France
//20420 IBM420 IBM EBCDIC Arabic
//20423 IBM423 IBM EBCDIC Greek
//20424 IBM424 IBM EBCDIC Hebrew
//20833 x-EBCDIC-KoreanExtended IBM EBCDIC Korean Extended
//20838 IBM-Thai IBM EBCDIC Thai
//20866 koi8-r Russian (KOI8-R); Cyrillic (KOI8-R)
//20871 IBM871 IBM EBCDIC Icelandic
//20880 IBM880 IBM EBCDIC Cyrillic Russian
//20905 IBM905 IBM EBCDIC Turkish
//20924 IBM00924 IBM EBCDIC Latin 1/Open System (1047 + Euro symbol)
throw new Exception("We don't support EBCDIC. Sorry");
}
//Otherwise assume UTF-8, and fail to decode it anyway
return 65001; //"utf-8" - Unicode (UTF-8)
//Any code is in the public domain. No attribution required.
}