Question

我已经编写了一个小型控制台应用程序（下面的源代码）来定位和选择性地重命名包含国际字符的文件，因为它们是大多数源代码控制系统不断痛苦的根源（下面有一些背景知识）。我正在使用的代码有一个简单的字典，其中包含要查找和替换的字符（并且使用多个字节的存储来核对所有其他字符），但它感觉非常hackish。什么是正确的方法（a）找出角色是否是国际性的？（b）最佳ASCII替换字符是什么？

让我提供一些背景信息，说明为什么需要这样做。碰巧的是，丹麦Å字符在UTF-8中有两种不同的编码，两者都代表相同的符号。这些被称为NFC和NFD编码。 Windows和Linux将默认创建NFC编码，但要遵守它给出的任何编码。 Mac会将所有名称（保存到HFS +分区时）转换为NFD，因此会为在Windows上创建的文件名返回不同的字节流。这有效地打破了Subversion，Git和许多其他不关心正确处理这种情况的实用程序。

我目前正在评估Mercurial，后者在处理国际角色方面更加糟糕..对这些问题相当厌倦，无论是源代码控制还是国际角色都必须去，所以我们在这里。

我目前的实施：

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;
    }
}

这将被调用：

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

Answer 1

（a）简单。检查任何大于127的代码点。

（b）尝试NKFD规范化和/或uni2ascii。

Answer 2

如果你不介意蛮力，你可以尝试这样的事情：

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);

这会将Århus.txt转换为A？rhus.txt，因为KD形式将Å分开，并且转换为7位ASCII失去了变音符号。怎么处理这个小小的？遗留下来取决于你。

你的里程可能会因其他角色而异，但我猜KD正常化应该可以解决问题。我多年来一直没有进行过代码页转换，但我发现这个问题很有趣。

编辑：

我只是试过æÆØ而且他们都转换成了？，所以这对你来说可能太有损了。不过，它可能会给你一些线索，从而得到答案。

Answer 3

在这个时代的悲惨问题。很明显，MAC使用的NFD形式让你头疼。您可以考虑的一件事是从字形中删除变音符号，导致NFD与NFC不同。

我不是100％确定这是完全准确的（特别是对于亚洲剧本），但它应该是接近的：

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();
}

使用C＃检测文件名字符是否被视为国际字符

3 个答案: