Программное определение DOS/Windows кодировки текстового файла!

← →
Tolstomordik (2002-04-18 15:36) [0]

Привет, мастера!!! Я скармливаю своей программе текстовик, который она распихивает по .DB таблицам. Часть текстовиков приходит в норамльной кодировке, а часть - кракозябрами. Как программно определить кодировку???
ЗЫ. По умолчанию я все строки преобразовываю следующей процедурой:
procedure Convert(Stroka: String); var Data: Byte; len: Integer; I: Integer; begin Len:=Length(Stroka); i:=1; repeat data:=ord(Stroka[i]); IF (Data > 127) and (Data < 176) then Data:=Data + 64 else IF (Data > 223) and (Data < 240) then Data:=Data + 16; Stroka[i]:=chr(data); I:=I+1; until(I = len+1); Str_Out:=Stroka Str_Out:="";

← →
arbiter (2002-04-18 18:28) [1]

Стат. анализ.
Если кодировок мало, то можно простой по частоте появления символов.
Если кодировок входящих много, можно попробовать анализ N-грамм.

← →
Slava (2002-04-19 06:48) [2]

> Tolstomordik

Если просто определить WIN или DOS, то я делал так:

1. Считаем средний код символов, входящих в строку (нужны только те, которые больше #127, остальные не учитываем)

2. Сравниваем полученное число с неким "эталоном".
Если полученное среднее значение меньше "эталона", то это - DOS, иначе - WIN

Экпериментально "эталон" был подобран, равный 200.

За 2,5 года только один раз было неправильное распознавание. Но там была почти одна псевдографика.

← →
Alx2 (2002-04-19 07:54) [3]

Если только есть либо DOS 866 либо Win 1251:
В DOS кодировке таблица русских маленьких букв имеет разрыв в районе буквы "р". В Win - идут сплошняком.

← →
Кулюкин Олег (2002-04-19 08:59) [4]

Я находил код символа, который встречался в тексте максимальное количество раз, и того что оказывался на втором месте.
Самые "частые" буквы в русском языке - "Е" и ... не помню уже, кажется "о".
Потом смотрел какой кодировке они соответствуют.
Достаточно надежно.

Программное определение DOS/Windows кодировки текстового файла! Найти похожие ветки