使用 C# 检测文件名字符是否被视为国际字符

Question

我编写了一个小型控制台应用程序（下面的源代码）来定位并选择性地重命名包含国际字符的文件，因为它们是大多数源代码控制系统持续痛苦的根源（下面有一些背景知识）。我正在使用的代码有一个简单的字典，其中包含要查找和替换的字符（并删除使用超过一个存储字节的所有其他字符），但感觉非常黑客。 (a) 查明某个角色是否是国际角色的正确方法是什么？ (b) 最好的 ASCII 替换字符是什么？

让我提供一些背景信息来说明为什么需要这样做。碰巧丹麦语 Å 字符在 UTF-8 中有两种不同的编码，都代表相同的符号。这些被称为 NFC 和 NFD 编码。 Windows 和 Linux 默认情况下会创建 NFC 编码，但会尊重给定的任何编码。 Mac 会将所有名称（保存到 HFS+ 分区时）转换为 NFD，因此为在 Windows 上创建的文件的名称返回不同的字节流。这有效地破坏了 Subversion、Git 和许多其他不关心正确处理这种情况的实用程序。

我目前正在评估 Mercurial，事实证明它在处理国际字符方面更糟糕。由于对这些问题相当厌倦，必须放弃源代码控制或国际字符，所以我们就到了。

我当前的实现：

public class Checker
{
    private Dictionary<char, string> internationals = new Dictionary<char, string>();
    private List<char> keep = new List<char>();
    private List<char> seen = new List<char>();

    public Checker()
    {
        internationals.Add( 'æ', "ae" );
        internationals.Add( 'ø', "oe" );
        internationals.Add( 'å', "aa" );
        internationals.Add( 'Æ', "Ae" );
        internationals.Add( 'Ø', "Oe" );
        internationals.Add( 'Å', "Aa" );

        internationals.Add( 'ö', "o" );
        internationals.Add( 'ü', "u" );
        internationals.Add( 'ä', "a" );
        internationals.Add( 'é', "e" );
        internationals.Add( 'è', "e" );
        internationals.Add( 'ê', "e" );

        internationals.Add( '¦', "" );
        internationals.Add( 'Ã', "" );
        internationals.Add( '©', "" );
        internationals.Add( ' ', "" );
        internationals.Add( '§', "" );
        internationals.Add( '¡', "" );
        internationals.Add( '³', "" );
        internationals.Add( '­', "" );
        internationals.Add( 'º', "" );

        internationals.Add( '«', "-" );
        internationals.Add( '»', "-" );
        internationals.Add( '´', "'" );
        internationals.Add( '`', "'" );
        internationals.Add( '"', "'" );
        internationals.Add( Encoding.UTF8.GetString( new byte[] { 226, 128, 147 } )[ 0 ], "-" );
        internationals.Add( Encoding.UTF8.GetString( new byte[] { 226, 128, 148 } )[ 0 ], "-" );
        internationals.Add( Encoding.UTF8.GetString( new byte[] { 226, 128, 153 } )[ 0 ], "'" );
        internationals.Add( Encoding.UTF8.GetString( new byte[] { 226, 128, 166 } )[ 0 ], "." );

        keep.Add( '-' );
        keep.Add( '=' );
        keep.Add( '\'' );
        keep.Add( '.' );
    }

    public bool IsInternationalCharacter( char c )
    {
        var s = c.ToString();
        byte[] bytes = Encoding.UTF8.GetBytes( s );
        if( bytes.Length > 1 && ! internationals.ContainsKey( c ) && ! seen.Contains( c ) )
        {
            Console.WriteLine( "X '{0}' ({1})", c, string.Join( ",", bytes ) );
            seen.Add( c );
            if( ! keep.Contains( c ) )
            {
                internationals[ c ] = "";
            }
        }
        return internationals.ContainsKey( c );
    }

    public bool HasInternationalCharactersInName( string name, out string safeName )
    {
        StringBuilder sb = new StringBuilder();
        Array.ForEach( name.ToCharArray(), c => sb.Append( IsInternationalCharacter( c ) ? internationals[ c ] : c.ToString() ) );
        int length = sb.Length;
        sb.Replace( "  ", " " );
        while( sb.Length != length )
        {
            sb.Replace( "  ", " " );
        }
        safeName = sb.ToString().Trim();
        string namePart = Path.GetFileNameWithoutExtension( safeName );
        if( namePart.EndsWith( "." ) )
            safeName = namePart.Substring( 0, namePart.Length - 1 ) + Path.GetExtension( safeName );
        return name != safeName;
    }
}

这将像这样调用：

FileInfo file = new File( "Århus.txt" );
string safeName;    
if( checker.HasInternationalCharactersInName( file.Name, out safeName ) )
{
    // rename file 
}

Answer 1

（一）简单。检查是否有任何大于 127 的代码点。

(b) 尝试 NKFD 标准化和/或 uni2ascii。

Answer 2

在当今这个时代，存在着令人悲伤的问题。显然，MAC 使用的 NFD 形式引起了您的头痛。您可以考虑的一件事是从字形中删除变音符号，这会导致 NFD 与 NFC 不同。

我不能 100% 确定这是完全准确的（特别是对于亚洲脚本），但它应该接近：

public static string RemoveDiacriticals(string txt) {
  string nfd = txt.Normalize(NormalizationForm.FormD);
  StringBuilder retval = new StringBuilder(nfd.Length);
  foreach (char ch in nfd) {
    if (ch >= '\u0300' && ch <= '\u036f') continue;
    if (ch >= '\u1dc0' && ch <= '\u1de6') continue;
    if (ch >= '\ufe20' && ch <= '\ufe26') continue;
    if (ch >= '\u20d0' && ch <= '\u20f0') continue;
    retval.Append(ch);
  }
  return retval.ToString();
}

Answer 3

如果你不介意暴力破解，你可以尝试这样的操作：

string name = "Århus.txt";
string kd = name.Normalize(NormalizationForm.FormKD);
byte[] kd_bytes = Encoding.Unicode.GetBytes(kd);
byte[] ascii_bytes = Encoding.Convert(Encoding.Unicode, Encoding.ASCII, kd_bytes);
string flattened = Encoding.ASCII.GetString(ascii_bytes);

This will conversion Århus.txt to A?rhus.txt，因为 KD 形式将 Å 分开，并且转换为 7 位 ASCII 会丢失变音标记。如何处理剩下的小“？”取决于您。

你的里程可能会因其他角色而异，但我猜 KD 标准化应该可以解决问题。我已经很多年没有从事代码页转换工作了，但我发现这个问题很有趣。

编辑：

我刚刚尝试了 æÆØ ，它们都转换为 ? ，所以这对你来说可能太有损失了。尽管如此，它仍可能为您提供一些线索，从而找到答案。