[QST] Détecter un bom UTF-8

Bonjour,

j'utilise un getline pour lire la première ligne d'un fichier.
Malheureusement, parfois ce fichier est en UTF-8 sans BOM ou UTF-8 avec BOM.

Le problème est que j'ai une regex qui teste cette première ligne, et le BOM pose problème.

Je voudrai donc savoir si vous avez une idée de comment détecté ce BOM ?
Pour l'instant je vais deux test de regex, un avec la ligne complète et un autre avec la ligne moins la trois premier caractère.

Merci d'avance de voter aide ;)

Bonjour,

pourquoi ne pas commencer par lire ces 3 premiers caractères pour voir s'il s'agit d'une signature BOM ou non ?

J'ai bien essayé, mais je me retrouve avec "" dans ma string...
Comment puis-je faire pour testé si il s'agit d'un BOM EF BB BF (trois octet du bom UTF-8) ?

En faite, comment faire pour lire et testé c'est trois octets ?

Code:

---

1 2 3 4 5 6 7 8

char bom[3]; std::ifstream ifs(...); ifs.read(bom, 3); if (bom[0] == 0xEF && bom[1] == 0xBB && bom[2] == 0xBF) { // BOM DETECTE } else { // PAS DE BOM }

---

(code non testé)

Puisque tu lis la ligne entière avec getline, et sais skip les 3 premiers octets, comment ne peux-tu pas tester ces 3 octets ? :calim2:

Code:

---

1 2 3 4 5 6

// blabla std::string line = getline(); // plus ou moins if (line[0] == 0xEF && line[1] == 0xBB && line[2] == 0xBF) { // wtf BOM spotted ! }

---

Bon voici ma fonction dans l'état actuel (fonctionnel avec le test sur "")

Code:

---

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

bool isXmlFile(const string& pathfile) {   tr1::regex xmlRegex("<\\?xml\\s*version=\"[1-9]+.\\d*\"\\s*(\\s\\w+=\"[^\"]+\")*\\s*\\?>"); ifstream file( pathfile.c_str(), ios::in); bool isXml=false;   if(file) { string line=string(""); getline(file,line); if(line.length()>15){   //TODO voir si on peux remplacer le test par EF BB BF if(line.substr(0,3)=="") line=line.substr(3,line.length()-1);   isXml=tr1::regex_match(line.begin(),line.end(),xmlRegex); } file.close(); } return isXml; }

---

J'ai essayé de remplacer mon test sur "" par le test avec les line[x]==...
Mais cela ne fonctionne pas.
Mon debugger me dit que
line[0]=-17 'ï'
line[1]=-69 '»'
line[2]=-65 '¿'

Donc je ne vois pas du tout ce que je peux faire.


EDIT: j'ai trouver:

Code:

---

1 2 3 4

if(memcmp(line.c_str(), "\xEF\xBB\xBF", 3)==0){ // UTF-8 BOM detected }

---

Merci a tous pour votre aide ;)