לפי מה שהבנתי איך שהיוניקוד עובד הוא שיש בייט אחד שהוא התו, ועוד בייט שאומר מה השפה.

אז עלה לי רעיון לגלות את השפה לפי המידע הזה שנמצא, כמובן שהבעיה היא, כיצד עושים את זה?

יוניקוד לא עובד ככה... הסבר בעברית:
http://unicode.org/standard/translations/hebrew.html

אני חושב שזה רעיון גרוע, אבל אפשר לבדוק שפה עם ביטויים רגולרים [a-z] [א-ת] וכו'..

מה שאני מכין מורכב יותר מאנגלית ועברית, צריך להיות משהו כמו 27 שפות, אז אני חושב שלהריץ 27 ביטויים רגולארים, זה רעיון גרוע.

לכל המעוניינים, הנה רשימת הטווחים:
http://www.unicode.org/Public/UNIDATA/Blocks.txt

עכשיו אני צריך לחרוש עליה..
לגבי להפוך את התווים למספרים, מצאתי את זה באתר של php
מה לגבי זה?:

קוד PHP:

<?php

function ordUTF8($c, $index = 0, &$bytes = null)
{
  $len = strlen($c);
  $bytes = 0;

  if ($index >= $len)
    return false;

  $h = ord($c{$index});

  if ($h <= 0x7F) {
    $bytes = 1;
    return $h;
  }
  else if ($h < 0xC2)
    return false;
  else if ($h <= 0xDF && $index < $len - 1) {
    $bytes = 2;
    return ($h & 0x1F) <<  6 | (ord($c{$index + 1}) & 0x3F);
  }
  else if ($h <= 0xEF && $index < $len - 2) {
    $bytes = 3;
    return ($h & 0x0F) << 12 | (ord($c{$index + 1}) & 0x3F) << 6
                             | (ord($c{$index + 2}) & 0x3F);
  }           
  else if ($h <= 0xF4 && $index < $len - 3) {
    $bytes = 4;
    return ($h & 0x0F) << 18 | (ord($c{$index + 1}) & 0x3F) << 12
                             | (ord($c{$index + 2}) & 0x3F) << 6
                             | (ord($c{$index + 3}) & 0x3F);
  }
  else
    return false;
}

?>

חשוב שזה יעבוד בהרבה שפות

אחרי שבדקתי כל קוד אפשרי שמצאתי על עברית, הקוד לא עבד, ובקיצור, פארש...

אז מישהו יכול לעזור לי?

יש הבדל בין יוניקוד לקידוד UTF-8.

יוניקוד זה צורה גלובאלית להגדרת תו מסויים. לכל תו יש קוד מצביע שהוא "תעודת הזהות" שלו.
הקידודים השונים, ביניהן UTF-8, מקודדים בצורה שונה את התוים. הם יכולים לשנות את הערך של הקוד מצביע לגמרי. ביוניקוד לאות א' יש קוד מצביע (הקסדצימלי) של 05D0, אך UTF-8 משנה את זה ל-D790.

ראה מידע נוסף כאן, כולל על האות א' (מתחת לטבלה):
http://en.wikipedia.org/wiki/UTF-8#Description

בהתאם תוכל לדעת איזה תו הוא בעברית ואיזה לא...

[עריכה]

ד"א אתה לא חייב לבודד כל תו בניפרד באמצעות הפונקציה שהצגת באשכול אחר, אלא אפשר להיעזר בביטוי רגולרי. אני לא בטוח איזה מהם יעיל יותר - הביטוי או דרך אחרת שאפשר להיעזר בה בפונקציה שהצגת. אבל בהחלט אפשר לבנות ביטוי רגולרי יעיל יחסית כמו:

קוד:

[\x0000-\x1111]{1}

(צינתי בביטוי תחום תוים החוזר פעם אחת (פעם אחת מספיקה...)

לא השתמשתי בשביל זה לזה, אלא למשהו אחר לגמרי.. ביטויים רגולאריים לא מתאימים לזה

בנוסף חיפשתי ברשימה ולא מצאתי רוסית, מה שנראה לי דיי מוזר, האם מה שמצאתי זה מה שאני מחפש?

השפה הרוסית משתמשת לכתיבתה באותיות קריליות (Cyrillic).

בנוסף למה שכבר נאמר.
ניתן לגלות את השפה לפי מספר התו (שיכול להתפרס על יותר מבית אחד).
לדוגמה: אם התווים העבריים נמצאים בטווח שבין 5689 ל- 5716 ואכן קיים בקובץ תו אחד בטווח הזה, תדע שיש פה לפחות תו עברי אחד.
זה אכן גם לא קובע בוודאות מוחלטת שהדף אכן בעברית, אך תוכל לבדוק כמה שפות יש, אלו הן ומאיזה שפה יש הכי הרבה תווים (ואף לבצע מיון וסידור של כל רשימת השפות בדף לפי השפה הכתובה הכי הרבה בדף), דבר זה מוגבל לסוגי אותיות ולא יהיה נכון בשפות שהן שונות אך משתמשות באותן אותיות.

בנוסף לכל יש תווים שמתאימים לכמה שפות ביחד...