另一个代码页检测问题

Question

好吧，在你用长矛向我扑来并带我离开代码页的燃烧战场之前，请注意，我并不是试图自动检测文本的代码页。我知道那是不可能的。 但我不知道是否可以自动检测代码页问题。以下面的例子为例。我有一个较大的文本（2-3 页）加上一个“默认”代码页。我尝试使用默认代码页解码文本。如果出现乱码，我会尝试使用另一个代码页来解码文本。所以问题是：是否有可能以某种方式检测乱码字符？

感谢您提前提供的帮助。 此致， 丹尼尔

Answer 1

我认为唯一实用的方法是为每个代码页手动定义某种“掩码”；定义您认为对每个代码页有效的所有字符值的结构。

然后，您可以检查页面是否包含此掩码中未包含的任何字符值。

制作面具需要大量的手工工作。创建一个包含每个字符的页面，然后使用适当的代码页显示它，然后查看哪些未“很好”地呈现。这是每个代码页的一次性活动，因此也许值得付出努力。

当然，如果有一种方法可以解析代码页，您可以自动生成此掩码...嗯...稍后再说。

尝试这个代码片段。它针对每个已知代码页测试字符 32-255。

        StringBuilder source = new StringBuilder();

        for (int ix = 0; ix < 224; ix++)
        {
            source.Append((char)(ix + 32));
        }

        EncodingInfo[] encs = Encoding.GetEncodings();

        foreach (var encInfo in encs)
        {
            System.Console.WriteLine(encInfo.DisplayName);
            Encoding enc = Encoding.GetEncoding(encInfo.CodePage);

            var result = enc.GetBytes(source.ToString().ToCharArray());

            for (int ix = 0; ix < 224; ix++)
            {
                if (result[ix] == 63 && source[ix] != 63)
                {
                    // Code page translated character to '?'
                    System.Console.Write("{0:d}", source[ix]);
                }
            }
            System.Console.WriteLine();
        }

我在调试器中环顾四周，注意到“？”如果源字符未包含在代码页中，则用作后备字符。通过检查“？” （并确保它不是“？”开始），代码假设代码页无法处理它。

DBCS 代码页可能需要更多关注，我没有看过。但请尝试以此作为起点。

正如我之前所描述的，我将使用这样的代码来构建一个初始“掩码”，然后根据看起来不错和不合适的内容手动调整该掩码。