Ako zistiť kódovanie súboru?

V mojom súborovom systéme (Windows 7) mám niekoľko textových súborov (ak na tom záleží, sú to súbory skriptov SQL).

Keď ich otvorím pomocou Notepad++, v ponuke "Encoding" sa pri niektorých z nich hlási kódovanie "UCS-2 Little Endian" a pri niektorých "UTF-8 bez BOM".

Aký je tu rozdiel? Zdá sa, že všetky sú úplne platné skripty. Ako by som mohol zistiť, aké kódovanie má súbor bez Poznámkového bloku++?

Softvérové inžinierstvo
character-encoding utf-8 notepad++ file-systems
15 február 2013 в 9:45
23 zobrazenia
Riešenie

Súbory zvyčajne označujú svoje kódovanie pomocou hlavičky súboru. Existuje mnoho príkladov tu. Ani pri čítaní hlavičky si však nikdy nemôžete byť istí, aké kódovanie súbor skutočne používa**.

Napríklad súbor s prvými tromi bajtmi 0xEF,0xBB,0xBF je pravdepodobne súbor s kódovaním UTF-8. Môže to však byť súbor ISO-8859-1, ktorý náhodou začína znakmi . Alebo to môže byť úplne iný typ súboru.

Poznámkový blok++ sa snaží odhadnúť, aké kódovanie súbor používa, a väčšinou sa mu to podarí. Niekedy sa však mýli - preto je tu ponuka 'Kódovanie', aby ste mohli zrušiť jeho najlepší odhad.

Pre dve kódovania, ktoré ste spomenuli:

  • Súbory "UCS-2 Little Endian" sú súbory UTF-16 (podľa toho, čo som pochopil z informácií tu), takže pravdepodobne začínajú s 0xFF,0xFE ako prvé 2 bajty. Podľa toho, čo viem, Notepad++ ich opisuje ako "UCS-2", pretože nepodporuje určité aspekty UTF-16.
  • Súbory "UTF-8 bez BOM" nemajú žiadne bajty hlavičky. To znamená bit "bez BOM".
vaughandroid
Edited answer 15 február 2013 в 11:00
Komentáre (10)

Nemôžete. Keby ste to dokázali, nebolo by toľko webových stránok alebo textových súborov s "náhodnými blábolmi". Preto sa kódovanie zvyčajne posiela spolu s užitočným zaťažením ako metaúdaj.

V prípade, že nie je, jediné, čo môžete urobiť, je "inteligentný odhad", ale výsledok je často nejednoznačný, pretože tá istá postupnosť bajtov môže byť platná vo viacerých kódovaniach.

Marco
Edited answer 15 február 2013 в 3:18
Komentáre (4)