解决读写包含汉字的txt文件时乱码的问题

.NET下的string永远是Unicode的，所以只能判断txt文件的Encoding。对于byte[]，只有自己知道它的Encoding才能转换为string 转换为其他编码的byte[]。

当我们用System.IO.StreamReader读取包含汉字的txt文件时，经常会读出乱码（StreamWriater写文本文件也有类似的问题），原因很简单，就是文件的编码（encoding）和StreamReader/Writer的encoding不对应。

 

　　为了解决这个问题，我写了一个类，来取得一个文本文件的encoding，这样我们就可以创建对应的StreamReader和StreamWriter来读写，保证不会出现乱码现象。其实原理很简单，文本编辑器（比如XP自带的记事本）在生成文本文件时，如果编码格式和系统默认的编码（中文系统下默认为GB2312）不一致时，会在txt文件开头部分添加特定的“编码字节序标识（Encoding Bit Order Madk，简写为BOM）”，类似PE格式的"MZ"文件头。这样它在读取时就可以根据这个BOM来确定该文本文件生成时所使用的Encoding。这个BOM我们用记事本等程序打开默认是看不到的，但是用stream按字节读取时是可以读到的。我的这个TxtFileEncoding类就是根据这个BOM“文件头”来确定txt文件生成时用到的编码的。

 

using System;

using System.Text;

using System.IO;

namespace Farproc.Text

{

　　/// <summary>

　　/// 用于取得一个文本文件的编码方式(Encoding)。

　　/// </summary>

　　public class TxtFileEncoding

　　{

　　　　public TxtFileEncoding()

　　　　{

　　　　　　//

　　　　　　// TODO: 在此处添加构造函数逻辑

　　　　　　//

　　　　}

　　　　/// <summary>

　　　　/// 取得一个文本文件的编码方式。如果无法在文件头部找到有效的前导符，Encoding.Default将被返回。

　　　　/// </summary>

　　　　/// <param name="fileName">文件名。</param>

　　　　/// <returns></returns>

　　　　public static Encoding GetEncoding(string fileName)

　　　　{

　　　　　　return GetEncoding(fileName, Encoding.Default);

　　　　}

　　　　/// <summary>

　　　　/// 取得一个文本文件流的编码方式。

　　　　/// </summary>

　　　　/// <param name="stream">文本文件流。</param>

　　　　/// <returns></returns>

　　　　public static Encoding GetEncoding(FileStream stream)

　　　　{

　　　　　　return GetEncoding(stream, Encoding.Default);

　　　　}

　　　　/// <summary>

　　　　/// 取得一个文本文件的编码方式。

　　　　/// </summary>

　　　　/// <param name="fileName">文件名。</param>

　　　　/// <param name="defaultEncoding">默认编码方式。当该方法无法从文件的头部取得有效的前导符时，将返回该编码方式。</param>

　　　　/// <returns></returns>

　　　　public static Encoding GetEncoding(string fileName, Encoding defaultEncoding)

　　　　{

　　　　　　FileStream fs = new FileStream(fileName, FileMode.Open);

　　　　　　Encoding targetEncoding = GetEncoding(fs, defaultEncoding);

　　　　　　fs.Close();

　　　　　　return targetEncoding;

　　　　}

　　　　/// <summary>

　　　　/// 取得一个文本文件流的编码方式。

　　　　/// </summary>

　　　　/// <param name="stream">文本文件流。</param>

　　　　/// <param name="defaultEncoding">默认编码方式。当该方法无法从文件的头部取得有效的前导符时，将返回该编码方式。</param>

　　　　/// <returns></returns>

　　　　public static Encoding GetEncoding(FileStream stream, Encoding defaultEncoding)

　　　　{

　　　　　　Encoding targetEncoding = defaultEncoding;

　　　　　　if(stream != null && stream.Length >= 2)

　　　　　　{

　　　　　　　　//保存文件流的前4个字节

　　　　　　　　byte byte1 = 0;

　　　　　　　　byte byte2 = 0;

　　　　　　　　byte byte3 = 0;

　　　　　　　　byte byte4 = 0;

　　　　　　　　//保存当前Seek位置

　　　　　　　　long origPos = stream.Seek(0, SeekOrigin.Begin);

　　　　　　　　stream.Seek(0, SeekOrigin.Begin);

　　　　　　　　int nByte = stream.ReadByte();

　　　　　　　　byte1 = Convert.ToByte(nByte);

　　　　　　　　byte2 = Convert.ToByte(stream.ReadByte());

　　　　　　　　if(stream.Length >= 3)

　　　　　　　　{

　　　　　　　　　　byte3 = Convert.ToByte(stream.ReadByte());

　　　　　　　　}

　　　　　　　　if(stream.Length >= 4)

　　　　　　　　{

　　　　　　　　　　byte4 = Convert.ToByte(stream.ReadByte());

　　　　　　　　}

　　　　　　　　//根据文件流的前4个字节判断Encoding

　　　　　　　　//Unicode {0xFF, 0xFE};

　　　　　　　　//BE-Unicode {0xFE, 0xFF};

　　　　　　　　//UTF8 = {0xEF, 0xBB, 0xBF};

　　　　　　　　if(byte1 == 0xFE && byte2 == 0xFF)//UnicodeBe

　　　　　　　　{

　　　　　　　　　　targetEncoding = Encoding.BigEndianUnicode;

　　　　　　　　}

　　　　　　　　if(byte1 == 0xFF && byte2 == 0xFE && byte3 != 0xFF)//Unicode

　　　　　　　　{

　　　　　　　　　　targetEncoding = Encoding.Unicode;

　　　　　　　　}

　　　　　　　　if(byte1 == 0xEF && byte2 == 0xBB && byte3 == 0xBF)//UTF8

　　　　　　　　{

　　　　　　　　　　targetEncoding = Encoding.UTF8;

　　　　　　　　}

　　　　　　　　//恢复Seek位置　　　 

　　　　　　　　stream.Seek(origPos, SeekOrigin.Begin);

　　　　　　}

　　　　　　return targetEncoding;

　　　　}

　　}

}

由于在GB2312和UTF7编码都没有BOM，所以需要指定一个默认的Encoding，在找不到合法的BOM时，将返回这个Encoding。有谁知道如何区分GB2312和UTF7编码txt文件的方法，也请告诉我。

　　由于只是static方法，所以不用new，直接通过类名调用方法，使用起来也很简单。

using System;

using Farproc.Text;

using System.Text;

using System.IO;

namespace ConsoleApplication1

{

　　/// <summary>

　　/// Class1 的摘要说明。

　　/// </summary>

　　class Class1

　　{

　　　　/// <summary>

　　　　/// 应用程序的主入口点。

　　　　/// </summary>

　　　　[STAThread]

　　　　static void Main(string[] args)

　　　　{

　　　　　　//

　　　　　　// TODO: 在此处添加代码以启动应用程序

　　　　　　//

　　　　　　string fileName = @"e:\a.txt";

　　　　　　//生成一个big endian Unicode编码格式的文本文件

　　　　　　StreamWriter sw = new StreamWriter(fileName, false, Encoding.BigEndianUnicode);//你可以试试其他编码，比如Encoding.GetEncoding("GB2312")或UTF8

　　　　　　sw.Write("这是一个String");

　　　　　　sw.Close();

　　　　　//读取

　　　　　　Encoding fileEncoding = TxtFileEncoding.GetEncoding(fileName, Encoding.GetEncoding("GB2312"));//取得这txt文件的编码

　　　　　　Console.WriteLine("这个文本文件的编码为：" + fileEncoding.EncodingName);

　　　　　　StreamReader sr = new StreamReader(fileName, fileEncoding);//用该编码创建StreamReader

　　　　　　//用下面的方法虽然可以让系统自动判断文本文件的编码格式，但是我们无法取得该文本文件的编码

　　　　　　//sr.CurrentEncoding永远为 Unicode(UTF-8)

　　　　　　//StreamReader sr = new StreamReader(fileName, true);

　　　　　　//Console.WriteLine("这个文本文件的编码为：" + sr.CurrentEncoding.EncodingName);

　　　　　　Console.WriteLine("这个文本文件的内容为：" + sr.ReadToEnd());

　　　　　　sr.Close();

　　　　　　Console.ReadLine();

　　　　}

　　}

}

　.NET下的string永远是Unicode的，所以只能判断txt文件的Encoding。对于byte[]，只有自己知道它的Encoding才能转换为string 转换为其他编码的byte[]，一个例外是把整个txt文件通过stream读入byte[]后也可以根据它的前几个字节判断Encoding，对于片断，我们就无能为力了:)