Jak wykryć UTF-8 w zwykłym C?
Szukam fragmentu kodu w zwykłym starym C, który wykrywa, że dany ciąg jest w kodowaniu UTF-8. Znam to rozwiązanie za pomocą wyrażenia regularnego, ale z różnych powodów lepiej byłoby w tym konkretnym przypadku unikać używania czegoś innego niż zwykłe C.
Rozwiązanie z wyrażeniem regularnym wygląda tak (ostrzeżenie: pominięto różne kontrole):
<code>#define UTF8_DETECT_REGEXP "^([\x09\x0A\x0D\x20-\x7E]|[\xC2-\xDF][\x80-\xBF]|\xE0[\xA0-\xBF][\x80-\xBF]|[\xE1-\xEC\xEE\xEF][\x80-\xBF]{2}|\xED[\x80-\x9F][\x80-\xBF]|\xF0[\x90-\xBF][\x80-\xBF]{2}|[\xF1-\xF3][\x80-\xBF]{3}|\xF4[\x80-\x8F][\x80-\xBF]{2})*$" const char *error; int error_off; int rc; int vect[100]; utf8_re = pcre_compile(UTF8_DETECT_REGEXP, PCRE_CASELESS, &error, &error_off, NULL); utf8_pe = pcre_study(utf8_re, 0, &error); rc = pcre_exec(utf8_re, utf8_pe, str, len, 0, 0, vect, sizeof(vect)/sizeof(vect[0])); if (rc > 0) { printf("string is in UTF8\n"); } else { printf("string is not in UTF8\n") } </code>