在我的网站上我允许直接上传文本文件。然后将这些文件存储在服务器上，并显示在网站上。我在网站上使用UTF-8。
现在，当人们上传包含特殊字符的非UTF-8文件时，我遇到了麻烦，例如é。
我一直在做一些测试。制作了2个文本文件，两个文件都包含相同的单词fiancée。一个编码的UTF-8和一个编码的ISO 8859-2。
UTF-8上传正常，并显示正确的文字，但ISO 8859-2显示为fianc�e。
现在我尝试用mb_detect_encoding检测上传的文件内容，但无论我向它投掷什么文件，它总是会检测到UTF-8。
我注意到我可以使用utf8_encode将ISO 8859-2文件转换为有效的UTF-8，但这仅适用于非UTF文件。由于我目前无法检测到非UTF文件，因此无法使用utf8_encode函数，因为它会混淆有效的UTF-8文件。
希望这是有道理的：）
所以我的问题是，如何检测肯定不是UTF-8编码的文件，以便我可以在它们上使用utf8_encode函数。
答案 0 :(得分：3)
你做不到。欢迎来到编码。
说真的，文件只是二进制blob。文件中的位和字节可能意味着任何;它可以是图像，CAD数据，也可能是文本。这取决于你解释字节的方式。对于特定意味着您使用哪种编码来解释它们的文本文件。文件中没有任何内容可以告诉您正确的编码，您必须知道它。通常，您希望通过文件附带的元数据了解它。在随机用户上传的情况下，没有元数据，和/或它不可靠。所以你不能“知道”。
下一步是猜测，但这显然不是万无一失的。您可以排除某些编码，例如，如果文件未验证为UTF-8（mb_check_encoding($data, 'UTF-8') == false），则它不能是UTF-8。但是，任何单字节编码都将验证为任何其他单字节编码。以这种方式区分ISO-8859-1与ISO-8859-2是不可能的，字节在两者中同样有效。只是出现的角色可能不是你想要的角色。要自动检测 ，你需要一个统计语言分析器，它可以告诉你这个字符可能不应该出现在那个字中。语法上的。显然，为了工作你需要知道文件中使用的语言，或者你需要首先检测那个 ......即便如此，这也不是万无一失。
最安静的方法是询问用户。接受上传，也许做一些可以排除编码的前期测试，然后询问用户文件所在的一堆可能编码中的哪一个。向他们展示结果，当解释为所选编码时文件的样子，让用户确认它看起来没问题。当您打开带有模糊编码的文件时，许多体面的文本编辑器都会这样做。