Использование C # для определения, является ли символ имени файла международным - PullRequest
Новая
       37

Использование C # для определения, является ли символ имени файла международным

3 голосов
/ 20 марта 2010

Я написал небольшое консольное приложение (источник ниже), чтобы находить и при необходимости переименовывать файлы, содержащие международные символы, так как они являются источником постоянной боли в большинстве систем контроля версий (об этом ниже). Код, который я использую, имеет простой словарь с символами для поиска и замены (и обнуляет каждый другой символ, который использует более одного байта памяти), но он выглядит очень хакерским. Как правильно (а) узнать, является ли персонаж интернациональным? и (б) каким будет лучший символ замены ASCII?

Позвольте мне предоставить некоторую справочную информацию о том, почему это необходимо. Так получилось, что датский символ Å имеет две разные кодировки в UTF-8, которые представляют один и тот же символ. Они известны как кодировки NFC и NFD. Windows и Linux создадут кодировку NFC по умолчанию, но соблюдайте любую кодировку, которая указана. Mac преобразует все имена (при сохранении в раздел HFS +) в NFD и поэтому возвращает другой поток байтов для имени файла, созданного в Windows. Это эффективно нарушает Subversion, Git и множество других утилит, которые не хотят правильно обрабатывать этот сценарий.

В настоящее время я оцениваю Mercurial, который, оказывается, еще хуже справляется с международными символами ... будучи довольно уставшим от этих проблем, придется либо использовать контроль версий, либо международный символ, и вот мы здесь. *

Моя текущая реализация: 

public class Checker
{
    private Dictionary<char, string> internationals = new Dictionary<char, string>();
    private List<char> keep = new List<char>();
    private List<char> seen = new List<char>();

    public Checker()
    {
        internationals.Add( 'æ', "ae" );
        internationals.Add( 'ø', "oe" );
        internationals.Add( 'å', "aa" );
        internationals.Add( 'Æ', "Ae" );
        internationals.Add( 'Ø', "Oe" );
        internationals.Add( 'Å', "Aa" );

        internationals.Add( 'ö', "o" );
        internationals.Add( 'ü', "u" );
        internationals.Add( 'ä', "a" );
        internationals.Add( 'é', "e" );
        internationals.Add( 'è', "e" );
        internationals.Add( 'ê', "e" );

        internationals.Add( '¦', "" );
        internationals.Add( 'Ã', "" );
        internationals.Add( '©', "" );
        internationals.Add( ' ', "" );
        internationals.Add( '§', "" );
        internationals.Add( '¡', "" );
        internationals.Add( '³', "" );
        internationals.Add( '­', "" );
        internationals.Add( 'º', "" );

        internationals.Add( '«', "-" );
        internationals.Add( '»', "-" );
        internationals.Add( '´', "'" );
        internationals.Add( '`', "'" );
        internationals.Add( '"', "'" );
        internationals.Add( Encoding.UTF8.GetString( new byte[] { 226, 128, 147 } )[ 0 ], "-" );
        internationals.Add( Encoding.UTF8.GetString( new byte[] { 226, 128, 148 } )[ 0 ], "-" );
        internationals.Add( Encoding.UTF8.GetString( new byte[] { 226, 128, 153 } )[ 0 ], "'" );
        internationals.Add( Encoding.UTF8.GetString( new byte[] { 226, 128, 166 } )[ 0 ], "." );

        keep.Add( '-' );
        keep.Add( '=' );
        keep.Add( '\'' );
        keep.Add( '.' );
    }

    public bool IsInternationalCharacter( char c )
    {
        var s = c.ToString();
        byte[] bytes = Encoding.UTF8.GetBytes( s );
        if( bytes.Length > 1 && ! internationals.ContainsKey( c ) && ! seen.Contains( c ) )
        {
            Console.WriteLine( "X '{0}' ({1})", c, string.Join( ",", bytes ) );
            seen.Add( c );
            if( ! keep.Contains( c ) )
            {
                internationals[ c ] = "";
            }
        }
        return internationals.ContainsKey( c );
    }

    public bool HasInternationalCharactersInName( string name, out string safeName )
    {
        StringBuilder sb = new StringBuilder();
        Array.ForEach( name.ToCharArray(), c => sb.Append( IsInternationalCharacter( c ) ? internationals[ c ] : c.ToString() ) );
        int length = sb.Length;
        sb.Replace( "  ", " " );
        while( sb.Length != length )
        {
            sb.Replace( "  ", " " );
        }
        safeName = sb.ToString().Trim();
        string namePart = Path.GetFileNameWithoutExtension( safeName );
        if( namePart.EndsWith( "." ) )
            safeName = namePart.Substring( 0, namePart.Length - 1 ) + Path.GetExtension( safeName );
        return name != safeName;
    }
}

И это будет вызываться так: 

FileInfo file = new File( "Århus.txt" );
string safeName;    
if( checker.HasInternationalCharactersInName( file.Name, out safeName ) )
{
    // rename file 
}

Ответы [ 3 ]

2 голосов
/ 20 марта 2010

а) Простой. Проверьте наличие кодовых точек, которые больше 127.

(b) Попробуйте нормализацию НКФД и / или uni2ascii .

1 голос
/ 20 марта 2010

Грустная проблема иметь в этот день и возраст. Очевидно, что форма NFD, которую использует MAC, вызывает у вас эту головную боль. Одна вещь, которую вы могли бы рассмотреть, - это удаление диакритических знаков из глифов, из-за которых NFD отличается от NFC.

Я не уверен на 100%, что это абсолютно точно (особенно для азиатских сценариев), но это должно быть близко: 

public static string RemoveDiacriticals(string txt) {
  string nfd = txt.Normalize(NormalizationForm.FormD);
  StringBuilder retval = new StringBuilder(nfd.Length);
  foreach (char ch in nfd) {
    if (ch >= '\u0300' && ch <= '\u036f') continue;
    if (ch >= '\u1dc0' && ch <= '\u1de6') continue;
    if (ch >= '\ufe20' && ch <= '\ufe26') continue;
    if (ch >= '\u20d0' && ch <= '\u20f0') continue;
    retval.Append(ch);
  }
  return retval.ToString();
}
1 голос
/ 20 марта 2010

Если вы не возражаете против грубой силы, вы можете попробовать что-то вроде этого: 

string name = "Århus.txt";
string kd = name.Normalize(NormalizationForm.FormKD);
byte[] kd_bytes = Encoding.Unicode.GetBytes(kd);
byte[] ascii_bytes = Encoding.Convert(Encoding.Unicode, Encoding.ASCII, kd_bytes);
string flattened = Encoding.ASCII.GetString(ascii_bytes);

Это преобразует Århus.txt в A? Rhus.txt, поскольку форма KD разбивает Å на части, а преобразование в 7-битный ASCII теряет диакритическую метку. Что делать с маленьким? Осталось решать только вам.

Ваш пробег может отличаться от других персонажей, но я думаю, нормализация KD должна сработать. Я не работал над преобразованием кодовых страниц в течение многих лет, но я нашел вопрос интригующим.

EDIT:

Я только что попробовал æÆØ, и все они преобразованы в?, Так что это может быть слишком сложно для вас. Тем не менее, это может дать вам некоторые подсказки, которые приведут к ответу.

...