如何判断 Windows 剪贴板上的文本是 C++ 中的 ISO 8859 还是 UTF-8？答案

【问题标题】：How to tell if text on the windows clipboard is ISO 8859 or UTF-8 in C++?如何判断 Windows 剪贴板上的文本是 C++ 中的 ISO 8859 还是 UTF-8？
【发布时间】：2010-09-14 23:58:38
【问题描述】：

我想知道是否有一种简单的方法可以检测剪贴板上的文本是 ISO 8859 还是 UTF-8 格式？

这是我当前的代码：

    COleDataObject  obj;

    if (obj.AttachClipboard())
    {
        if (obj.IsDataAvailable(CF_TEXT))
        {
            HGLOBAL hmem = obj.GetGlobalData(CF_TEXT);
            CMemFile sf((BYTE*) ::GlobalLock(hmem),(UINT) ::GlobalSize(hmem));
            CString buffer;

            LPSTR str = buffer.GetBufferSetLength((int)::GlobalSize(hmem));
            sf.Read(str,(UINT) ::GlobalSize(hmem));
            ::GlobalUnlock(hmem);

            //this is my string class
            s->SetEncoding(ENCODING_8BIT);
            s->SetString(buffer);
        }
    }
}

【问题讨论】：

ISO 8859-什么？有 8859-1、8859-2 等。
问题的一部分是它似乎也是未知的。你需要 CF_LOCALE 来告诉你。一旦你有了它，整个问题就几乎得到了回答。

标签： c++ windows utf-8 clipboard

【解决方案1】：

在this Microsoft page 中查看 CF_LOCALE 的定义。它告诉您剪贴板中文本的语言环境。更好的是，如果您改用 CF_UNICODETEXT，Windows 会为您转换为 UTF-16。

【讨论】：

【解决方案2】：

UTF-8 为非 ASCII 字节定义了结构。您可以扫描 >= 128 的字节，如果检测到任何字节，请检查它们是否构成有效的 UTF-8 字符串。

可以在Wikipedia 上找到有效的 UTF-8 字节格式：

Unicode             Byte1           Byte2           Byte3           Byte4
U+000000-U+00007F   0xxxxxxx
U+000080-U+0007FF   110xxxxx        10xxxxxx
U+000800-U+00FFFF   1110xxxx        10xxxxxx        10xxxxxx
U+010000-U+10FFFF   11110xxx        10xxxxxx        10xxxxxx        10xxxxxx

旧答案：

您不必 - 所有 ASCII 文本都是有效的 UTF-8，因此您可以将其解码为 UTF-8，它会按预期工作。

要测试它是否包含非 ASCII 字符，您可以扫描字节 >= 128。

【讨论】：

我想我并不是真的指 7 位 ascii，CF_TEXT 返回 0 到 255 的字符，所以它更像 ISO/IEC 8859。我有一个问题，因为法语口音通常具有值130 到 162 之间只占用 8859 中的 1 个字节，但它们需要 2 个字节以 UTF-8 编码。
ASCII 根据定义是 7 位的。我会编辑你的问题，让它更清楚一点。
如果找到C0 A0这两个字符。你有什么？它是 UTF-8 中的有效“代码点”，但它也是 ISO 8859 中的两个有效字符。这不是一种可靠的方法。
@Martin：对此没有可靠的方法，猜测是最好的办法。
@John：如果你只有文字，猜测是最好的方法。您可以询问剪贴板对象的想法。

【解决方案3】：

我可能会弄错，但我认为你不会：如果我在编辑器中打开一个没有 Bom 的 UTF-8 文件，它默认显示为 ISO-8859-1（我的语言环境），并且除了一些奇怪的使用外国（对我来说）重音字符，我没有强烈的视觉暗示它是 UTF-8（除非它在其他地方以另一种方式编码，例如 HTML 或 XML 中的字符集声明）：它是完全有效的 Ansi 文本。

John 写道“所有 ASCII 文本都是有效的 UTF-8”，但反之亦然。

Windows XP+ 自然使用 UTF-16，并有一个剪贴板格式，但 AFAIK 它只是忽略 UTF-8，没有对其进行特殊处理。
（嗯，实际上有一个 API 可以将 UTF-8 转换为 UTF-16（或 Ansi 等）。

【讨论】：

【解决方案4】：

您可以查看 obj.IsDataAvailable(CF_UNICODETEXT) 以查看剪贴板上的 unicode 版本是否可用。

-亚当

【讨论】：

我实际上有代码可以检测到这一点，但我遇到了奇怪的问题，有时我会得到乱码的结果。我想我知道现在的问题是什么。我假设该字符串指向一个 UTF-8 字符串，但它认为它可以指向多种格式，我需要在其上调用 WideCharToMultiByte。
是的，unicode 的一个常见问题是它有很多表示形式，其中只有一种是 UTF8。