Je me suis longtemps demandé s’il était possible (et si c’est le cas, comment) de distinguer un texte UTF-8 (sans le BOM, ça serait trop facile sinon) d’un autre texte ISO-8859.

Mon ami W3C m’a répondu et m’a donné le script perl ci-dessous :

$field =~
  m/\A(
     [\x09\x0A\x0D\x20-\x7E]            # ASCII
   | [\xC2-\xDF][\x80-\xBF]             # non-overlong 2-byte
   |  \xE0[\xA0-\xBF][\x80-\xBF]        # excluding overlongs
   | [\xE1-\xEC\xEE\xEF][\x80-\xBF]{2}  # straight 3-byte
   |  \xED[\x80-\x9F][\x80-\xBF]        # excluding surrogates
   |  \xF0[\x90-\xBF][\x80-\xBF]{2}     # planes 1-3
   | [\xF1-\xF3][\x80-\xBF]{3}          # planes 4-15
   |  \xF4[\x80-\x8F][\x80-\xBF]{2}     # plane 16
  )*\z/x;

Si l’expression régulière du dessus trouve une occurrence dans le texte à tester, alors bingo c’est de l’utf !
Dit autrement, la présence de certains octets, qui permettent d’accéder aux caractères pure-UTF-8, trahit la présence d’un text non-ASCII.