Как обнаружить любой символ не UTF8 в файле в C #? - PullRequest
0 голосов
/ 22 января 2019

Как я могу определить все символы NON UTF8 из данного файла?

Нам нужно написать его на C # и иметь возможность выполнять его в среде SSIS. После выполнения мы должны выяснить и проверить все неправильные вхождения, в конечном итоге приведенные по номеру строки во входном файле.

Предположения: - файл имеет формат csv (в нашем случае), - новая линия имеет CR LF

Ответы [ 2 ]

0 голосов
/ 22 января 2019

Когда вы загружаете ваш файл в байтовый массив и затем пытаетесь загрузить его в строку, недопустимые символы UTF8 будут заменены на?(вопросительные знаки).Ваш код должен выглядеть примерно так:

 byte[] data = File.ReadAllBytes(pathToYourFile);
 string result = Encoding.UTF8.GetString(data);

Далее вы можете предпринять, например, шаги очистки ???

0 голосов
/ 22 января 2019

После небольшого исследования мы собрали несколько подсказок:

  1. Stackoverflow: Определить кодировку строки в C #
  2. utf8check: https://archive.codeplex.com/?p=utf8checker
  3. Блог Дэниела Лемира: https://lemire.me/blog/2018/05/09/how-quickly-can-you-check-that-a-string-is-valid-unicode-utf-8/

Вот что мы узнали:

  1. нам нужно было сканировать побайтно,
  2. класс, с которого начинается
  3. алгоритм проверки UTF8 (хорошо реализован из пункта 2)

ТАК: нам нужно было улучшить версию класса utf8checker, чтобы продолжить сканирование всего файла и не завершать работу при первом неправильном появлении. После полного сканирования код создает файл журнала, в котором перечислены все вхождения NON utf8.

В нашем случае работает следующий код. Он выполняется в задаче сценария служб SSIS и считывает имя файла из входного параметра.
Может быть, может быть улучшено дальше.

 /*
   Microsoft SQL Server Integration Services Script Task
   Write scripts using Microsoft Visual C# 2008.
   The ScriptMain is the entry point class of the script.
*/

using System;
using System.Data;
using Microsoft.SqlServer.Dts.Runtime;
using System.Windows.Forms;
using System.IO;
using System.Text;
using System.Linq;
using System.Collections.Generic;

namespace ST_5c3d8ec1340c4ab9bbb71cb975760e42.csproj
{

    [System.AddIn.AddIn("ScriptMain", Version = "1.0", Publisher = "", Description = "")]
    public partial class ScriptMain : Microsoft.SqlServer.Dts.Tasks.ScriptTask.VSTARTScriptObjectModelBase
    {

        public void Main()
        {

            String fileToCheck, logFileName;
            bool OK_UTF8;
            IUtf8Checker fileCheckerUtf8 = new Utf8Checker();
            List<IErrorUtf8Checker> errorsList;
            System.IO.StreamWriter logFile;

            try
            {
                fileToCheck = Dts.Variables["User::InputFile"].Value.ToString();

                logFileName = fileToCheck + "_utf8check.log";

                if (File.Exists(fileToCheck))
                {
                    OK_UTF8 = fileCheckerUtf8.Check(fileToCheck);

                    if (OK_UTF8 == false)
                    {
                        errorsList = fileCheckerUtf8.GetErrorList();

                        logFile = new StreamWriter(logFileName);

                        int i = 0;
                        foreach (ErrorUtf8Checker e in errorsList)
                        {
                            logFile.WriteLine(++i + ") " + e.ToString());
                        }
                        logFile.Close();                        
                    }

                }
                //exit always with success. It writes a log file if any warning occurs
                Dts.TaskResult = (int)ScriptResults.Success;


            }
            catch (DecoderFallbackException eUTF)
            {
                Console.Write(eUTF.ToString());
                Dts.TaskResult = (int)ScriptResults.Failure;
            }
            catch (Exception e)
            {
                Console.Write(e.ToString());
                Dts.TaskResult = (int)ScriptResults.Failure;
            }

        }

        #region VSTA generated code
        enum ScriptResults
        {
            Success = Microsoft.SqlServer.Dts.Runtime.DTSExecResult.Success,
            Failure = Microsoft.SqlServer.Dts.Runtime.DTSExecResult.Failure
        };
        #endregion


        /**
        * PrintOnSSISConsole
        * Used to print a string s into the immediate console of SSIS
        */
        public void PrintOnSSISConsole(String s)
        {
            System.Diagnostics.Debug.WriteLine(s);
        }



        /// <summary>
        /// Interface for checking for utf8.
        /// </summary>
        public interface IUtf8Checker
        {
            /// <summary>
            /// Check if file is utf8 encoded.
            /// </summary>
            /// <param name="fileName"></param>
            /// <returns>true if utf8 encoded, otherwise false.</returns>
            bool Check(string fileName);

            /// <summary>
            /// Check if stream is utf8 encoded.
            /// </summary>
            /// <param name="stream"></param>
            /// <returns>true if utf8 encoded, otherwise false.</returns>
            bool IsUtf8(Stream stream);

            /// <summary>
            /// Return a list of found errors of type of IErrorUtf8Checker
            /// </summary>
            /// <returns>List of errors found through the Check metod</returns>
            List<IErrorUtf8Checker> GetErrorList();


        }

        public interface IErrorUtf8Checker
        {

        }

        /// <summary>
        /// http://anubis.dkuug.dk/JTC1/SC2/WG2/docs/n1335
        /// 
        /// http://www.cl.cam.ac.uk/~mgk25/ucs/ISO-10646-UTF-8.html
        /// 
        /// http://www.unicode.org/versions/corrigendum1.html
        /// 
        /// http://www.ietf.org/rfc/rfc2279.txt
        /// 
        /// </summary>
        public class Utf8Checker : IUtf8Checker
        {

            // newLineArray = used to understand the new line sequence 
            private static byte[] newLineArray = new byte[2] { 13, 10 };
            private int line = 1;
            private byte[] lineArray = new byte[2] { 0, 0 };

            // used to keep trak of number of errors found into the file            
            private List<IErrorUtf8Checker> errorsList;

            public Utf8Checker()
            {
                this.errorsList = new List<IErrorUtf8Checker>();
            }

            public int getNumberOfErrors()
            {
                return errorsList.Count();
            }

            public bool Check(string fileName)
            {
                using (BufferedStream fstream = new BufferedStream(File.OpenRead(fileName)))
                {
                    return this.IsUtf8(fstream);
                }
            }

            public int getLine()
            {
                return line;
            }

            public List<IErrorUtf8Checker> GetErrorList()
            {
                return errorsList;
            }

            /// <summary>
            /// Check if stream is utf8 encoded.
            /// Notice: stream is read completely in memory!
            /// </summary>
            /// <param name="stream">Stream to read from.</param>
            /// <returns>True if the whole stream is utf8 encoded.</returns>
            public bool IsUtf8(Stream stream)
            {
                int count = 4 * 1024;
                byte[] buffer;
                int read;
                while (true)
                {
                    buffer = new byte[count];
                    stream.Seek(0, SeekOrigin.Begin);
                    read = stream.Read(buffer, 0, count);
                    if (read < count)
                    {
                        break;
                    }
                    buffer = null;
                    count *= 2;
                }
                return IsUtf8(buffer, read);
            }

            /// <summary>
            /// 
            /// </summary>
            /// <param name="buffer"></param>
            /// <param name="length"></param>
            /// <returns></returns>
            public bool IsUtf8(byte[] buffer, int length)
            {
                int position = 0;
                int bytes = 0;
                bool ret = true;
                while (position < length)
                {
                    if (!IsValid(buffer, position, length, ref bytes))
                    {
                        ret = false;
                        errorsList.Add(new ErrorUtf8Checker(getLine(), buffer[position]));

                    }
                    position += bytes;
                }
                return ret;
            }

            /// <summary>
            /// 
            /// </summary>
            /// <param name="buffer"></param>
            /// <param name="position"></param>
            /// <param name="length"></param>
            /// <param name="bytes"></param>
            /// <returns></returns>
            public bool IsValid(byte[] buffer, int position, int length, ref int bytes)
            {
                if (length > buffer.Length)
                {
                    throw new ArgumentException("Invalid length");
                }

                if (position > length - 1)
                {
                    bytes = 0;
                    return true;
                }

                byte ch = buffer[position];
                char ctest = (char)ch; // for debug  only
                this.detectNewLine(ch);

                if (ch <= 0x7F)
                {
                    bytes = 1;
                    return true;
                }

                if (ch >= 0xc2 && ch <= 0xdf)
                {
                    if (position >= length - 2)
                    {
                        bytes = 0;
                        return false;
                    }
                    if (buffer[position + 1] < 0x80 || buffer[position + 1] > 0xbf)
                    {
                        //bytes = 0;
                        return false;
                    }
                    bytes = 2;
                    return true;
                }

                if (ch == 0xe0)
                {
                    if (position >= length - 3)
                    {
                        //bytes = 0;
                        return false;
                    }

                    if (buffer[position + 1] < 0xa0 || buffer[position + 1] > 0xbf ||
                        buffer[position + 2] < 0x80 || buffer[position + 2] > 0xbf)
                    {
                        //bytes = 0;
                        return false;
                    }
                    bytes = 3;
                    return true;
                }


                if (ch >= 0xe1 && ch <= 0xef)
                {
                    if (position >= length - 3)
                    {
                        //bytes = 0;
                        return false;
                    }

                    if (buffer[position + 1] < 0x80 || buffer[position + 1] > 0xbf ||
                        buffer[position + 2] < 0x80 || buffer[position + 2] > 0xbf)
                    {
                        //bytes = 0;
                        return false;
                    }

                    bytes = 3;
                    return true;
                }

                if (ch == 0xf0)
                {
                    if (position >= length - 4)
                    {
                        //bytes = 0;
                        return false;
                    }

                    if (buffer[position + 1] < 0x90 || buffer[position + 1] > 0xbf ||
                        buffer[position + 2] < 0x80 || buffer[position + 2] > 0xbf ||
                        buffer[position + 3] < 0x80 || buffer[position + 3] > 0xbf)
                    {
                        //bytes = 0;
                        return false;
                    }

                    bytes = 4;
                    return true;
                }

                if (ch == 0xf4)
                {
                    if (position >= length - 4)
                    {
                        //bytes = 0;
                        return false;
                    }

                    if (buffer[position + 1] < 0x80 || buffer[position + 1] > 0x8f ||
                        buffer[position + 2] < 0x80 || buffer[position + 2] > 0xbf ||
                        buffer[position + 3] < 0x80 || buffer[position + 3] > 0xbf)
                    {
                        //bytes = 0;
                        return false;
                    }

                    bytes = 4;
                    return true;
                }

                if (ch >= 0xf1 && ch <= 0xf3)
                {
                    if (position >= length - 4)
                    {
                        //bytes = 0;
                        return false;
                    }

                    if (buffer[position + 1] < 0x80 || buffer[position + 1] > 0xbf ||
                        buffer[position + 2] < 0x80 || buffer[position + 2] > 0xbf ||
                        buffer[position + 3] < 0x80 || buffer[position + 3] > 0xbf)
                    {
                        //bytes = 0;
                        return false;
                    }

                    bytes = 4;
                    return true;
                }

                return false;
            }

            private void detectNewLine(byte ch)
            {
                // looking for second char for new line (char 13 feed)
                if (this.lineArray[0] == newLineArray[0])
                {
                    if (ch == newLineArray[1])
                    {
                        // found new line
                        this.lineArray[1] = ch;
                        line++;
                        // reset work array: lineArray
                        this.lineArray[1] = 0;
                    }
                    // we have to reset work array because CR(13)LF(10) must be in sequence
                    this.lineArray[0] = 0;

                }
                else
                {
                    // found first character (char 10 return)
                    if (ch == newLineArray[0])
                    {
                        this.lineArray[0] = ch;
                    }
                }
            }
        }

        public class ErrorUtf8Checker : IErrorUtf8Checker
        {
            private int line;
            private byte ch;

            public ErrorUtf8Checker(int line, byte character)
            {
                this.line = line;
                this.ch = character;
            }

            public ErrorUtf8Checker(int line)
            {
                this.line = line;
            }

            public override string ToString()
            {
                string s;
                try
                {
                    if (ch > 0)
                    {
                        s = "line: " + line + " code: " + ch + ", char: " + (char)ch;
                    }
                    else
                    {
                        s = "line: " + line;
                    }
                    return s;
                }
                catch (Exception e)
                {
                    Console.Write(e.ToString());
                    return base.ToString();
                }
            }
        }



    }
}

Приведенный пример:

Hello world test UTF8
err 1: °
text ok line 3
err 2: ò
errs 3: à è § °
end file 

отправленный код создаст новый файл, содержащий:

1) line: 2 code: 176, char: °
2) line: 4 code: 242, char: ò
3) line: 5 code: 224, char: à
4) line: 5 code: 232, char: è
5) line: 5 code: 167, char: §
6) line: 5 code: 176, char: °
...