修复字符串编码问题

Question

有没有人知道我可以用来修复因编码问题而“混乱”的字符串的.Net库（优选NuGet包）？

我有第三方提供的Excel *文件，其中包含以下字符串：

Telefónica UK Limited

Serviços de Comunicações e Multimédia

这些条目只是用户错误（例如某人复制/粘贴错误或其他内容），因为同一文件中的其他地方相同的条目是正确的：

Telefónica UK Limited

Serviços de Comunicações e Multimédia

所以我想知道是否有一个库/包/东西需要一个字符串并修复“常见错误”，如çõ→çõ和ó→ó 。我知道这不是100％万无一失，可能会导致一些假阴性，但是有一些经过现场测试的库可以帮助我清理一下我的数据。理想情况下，它会“自动检测”问题并“自动修复”它们，因为我无法总是在错误发生时告诉源编码（和目标编码）是什么。

_{*文件类型不是很相关，我可能有其他方的文本在其他文件格式中有相同的问题......}

Answer 1

我最好的建议是从相关语言中使用的特殊字符列表开始。

我认为您只使用少数非US-ASCII字符处理葡萄牙语或其他欧洲语言。

我还假设您首先知道错误编码是什么（即代码页），它始终是相同的。

（如果你不能承担这些事情，那么它就是一个更大的问题。）

然后严重编码每个字符，并在源文本中查找结果。如果找到任何内容，您可以将其视为编码错误的文本。

var specialCharacters = "çõéó";
var goodEncoding = Encoding.UTF8;
var badEncoding = Encoding.GetEncoding(28591);
var badStrings = specialCharacters.Select(c => badEncoding.GetString(goodEncoding.GetBytes(c.ToString())));

var sourceText = "Serviços de Comunicações e Multimédia";
if(badStrings.Any(s => sourceText.Contains(s)))
{
    sourceText = goodEncoding.GetString(badEncoding.GetBytes(sourceText));
}