Source Insight完美转换UTF-8 到 GB2312

前言

很多人用source insight 打开某些源码文件时，汉字显示为一堆乱码。这个问题是因为编码方式不同。记事本和一些编辑器默认编码方式是ANSI，在这种方式下输入汉字，其实就是GB系列的编码方式。不幸的是，广收欢迎的代码查看工具Source insight 虽然支持汉字，但是它不支持UTF-8。笔者感到疑惑的是，当初开发source insight的这帮人现在哪里去了？为何不继续开发？这么好的工具，却不再更新了，实在让人可惜。

可惜归可惜，程序还是要看。乱码怎么办？很多人用笨方法，用记事本打开源代码，再另存为ANSI格式的文件。如果文件只有几个，倒是既简单又实惠，然而，当你碰到成百上千的代码文件都是UTF-8时，你就会觉得这是梦魇了。

不过，不要怕。现在，完美的解决方法来了。（貌似跟做广告一样）

概述

本程序是参考网上源代码修改而成。感谢原作者将该代码开源，我的工作只需在他的基础上进行修改就可以了，省去了大量的工作，使得我花了一个下午的时间就改成我所想要的程序。这就是开源的好处。所以说开源能帮助人们更快的开发出更好的软件，开源万岁。希望看到本文的读者，也能为开源事业贡献自己的一份力量。虽然说，此类代码到处都有，不足为奇，但这个代码在我改进之后，还是具有一些优点：

l         命令行执行  改进前的程序只能单独执行，根据提示输入参数和要转换的目录或文件；改进后的程序可集成到编辑器，集成开发环境(IDE)中。下文将会介绍如何集成到source insight中。

l         智能识别编码方式  原来的程序不能识别编码方式。如果转换时选择了一个非UTF-8编码的文件，转换后就成了乱码；改进后的程序能智能识别编码方式，无论是UTF-8文件是BOM格式还是非BOM格式，都能识别。对于纯ASCII码的文件，也能识别。

l         支持批处理  改进前的程序有bug，对目录支持不完善；改进后的程序能很好的支持批处理。

 

目前，这个程序只针对源代码文件编写，支持后缀名为 .c .cpp .cxx .h .xml .java .txt等文件。如确实有需要，今后将支持更多类型的文件编码格式转换。

 

如何集成到 source insight?

下面，先介绍如何集成到 source insight里。本人使用的汉化版，如英文版请对照执行。

文件转换命令    该命令能将当前打开的文件进行编码转换。很简单，步骤如下：

在source insight里，选择 “选项”—“自定义命令”，弹出对话框后，点击“添加”，输入新命令名 CodeConvert File 。确定后，点击“浏览”，选择我们的codeConvert.exe程序路径。在输入框里加上参数” –u2g %f” （注意空格,双引号不要）。

这样，这个文件转换命令就添加成功。打开某个文件，按照上面步骤，选择该自定义命令点击“运行”，即可进行转换。

目录转换命令    该命令能将当前打开的文件所在的文件夹进行编码转换。步骤同上，只是在输入框里的参数改为” –u2g %d” （注意空格,双引号不要）。

怎么样？在source insight里点几下，就能转换了。混沌世界一下子清晰了。

主要源码部分

这是检测文件是否是UTF-8格式的函数，其他部分不再一一列出，请参考源代码。

/* ! detect if the fiel is UTF-8 code
/param LPCTSTR filename
/return true/false
*/

bool detect_utf8file(LPCTSTR filename)
{
    const unsigned char BOM[3] = {0xEF, 0xBB, 0xBF};
    int count_good_utf = 0;
    int count_bad_utf = 0;
    int begin = 0;
    char buf[3] = {0, };
    CStdioFile file_r ;

    if (!file_r.Open((char*)(LPCTSTR)filename, CStdioFile::modeReadWrite))
        return false;


    file_r.Read(buf, 3);
    if (!strncmp(buf, (char *)BOM, 3))
    {
        std::cout << "this is utf(BOM). " << endl;
        file_r.Close();

        return true;
    }
    else // detect the whole file
    {
        // UTF-8 text encoding auto-detection
        // count the following pairs of consecutive bytes as shown in the table:
        // 11.. 10.. good
        // 00.. 10.. bad
        // 10.. 10.. don't care
        // 11.. 00.. bad
        // 11.. 11.. bad
        // 00.. 00.. don't care
        // 10.. 00.. don't care
        // 00.. 11.. don't care
        // 10.. 11.. don't care
        char current_byte, previous_byte;

        file_r.SeekToBegin();
        file_r.Read(&current_byte, 1);
        previous_byte = current_byte;

        while (file_r.Read(&current_byte, 1))
        {
            if ((current_byte & 0xC0) == 0x80)
            {
                if ((previous_byte & 0xC0) == 0xC0)
                {
                    count_good_utf ++;
                }
                else if ((previous_byte & 0x80) == 0x00)
                {
                    count_bad_utf ++;
                }
            }
            else if ((previous_byte & 0xC0) == 0xC0)
            {
                count_bad_utf ++;
            }
            previous_byte = current_byte;
        }
        // the comparison ">=" handles pure ASCII files as UTF-8,
        // replace it with ">" to change that

        if (count_good_utf > count_bad_utf)
        {
            file_r.Close();
            std::cout << "the code of this file is utf(no BOM). " << endl;
            return true;
        }
        else if (count_good_utf == count_bad_utf)
        {
            file_r.Close();
            std::cout << "the code of this file is pure ASCII file as UTF-8. " << endl;
            return true;
        }
        else
        {
            file_r.Close();
            std::cout << "the code of this file is not utf. " << endl;
            return false;
        }
    }
}

程序虽然能运行，但是我相信还有bug，还可以完善。本人知识有限，如有不当之处还请多多指正，大家共同进步。源代码在 ，好像CSDN只能在那里上传代码。

转自：http://blog.csdn.net/flylonginsky/article/details/4670188