使用unicode字符读取文件
我有一个asp.net c#页面,我正在尝试读取具有以下字符的文件并将其转换为’。 (从倾斜的撇号到撇号)。
FileInfo fileinfo = new FileInfo(FileLocation); string content = File.ReadAllText(fileinfo.FullName); //strip out bad characters content = content.Replace("'", "'");
这不起作用,它将倾斜的撇号变为? 分数。
我怀疑问题不在于替换,而在于读取文件本身。 当我尝试这种方式(使用Word和复制粘贴)时,我得到了与您相同的结果,但是检查content
显示.Net框架认为该字符是Unicode字符65533
,即“WTF?” 字符串替换前的字符。 您可以通过检查Visual Studio调试器中的相关字符来自行检查,它应该显示字符代码:
content[0]; // 65533 ' '
替换不起作用的原因很简单 – content
不包含您给它的字符串:
content.IndexOf("'"); // -1
至于为什么文件读取不正常 – 您在读取文件时可能使用了错误的编码。 (如果没有指定编码,则.Net框架将尝试为您确定正确的编码,但是没有100%可靠的方法来执行此操作,因此通常会出错)。 您需要的确切编码取决于文件本身,但在我的情况下,使用的编码是扩展ASCII ,因此要读取我只需要指定正确编码的文件:
string content = File.ReadAllText(fileinfo.FullName, Encoding.GetEncoding("iso-8859-1"));
(见这个问题 )。
您还需要确保在替换字符串中指定正确的字符 – 在代码中使用“奇数”字符时,您可能会发现通过字符代码指定字符更可靠,而不是字符串文字(这可能会导致如果源文件的编码发生变化,则会出现问题,例如以下内容对我有用:
content = content.Replace("\u0092", "'");
// This should replace smart single quotes with a straight single quote Regex.Replace(content, @"(\u2018|\u2019)", "'"); //However the better approach seems to be to read the page with the proper encoding and leave the quotes alone var sreader= new StreamReader(fileInfo.Create(), Encoding.GetEncoding(1252));
我敢打赌,该文件是在Windows-1252中编码的。 这几乎与ISO 8859-1相同。 区别在于Windows-1252使用“可显示的字符而不是0x80到0x9F范围内的控制字符”。 (这是倾斜撇号所在的位置。即0x92)
//Specify Windows-1252 here string content = File.ReadAllText(fileinfo.FullName, Encoding.GetEncoding(1252)); //Your replace code will then work as is content = content.Replace("'", "'");
如果你使用String(大写)而不是字符串,它应该能够处理你抛出的任何Unicode。 首先尝试,看看是否有效。