Java判断文件编码格式

转自：http://blog.csdn.net/zhangzh332/article/details/6719025

 

一般情况下我们遇到的文件编码格式为GBK或者UTF-8。由于中文Windows默认的编码是GBK，所以一般只要判定UTF-8编码格式。 
对于UTF-8编码格式的文本文件，其前3个字节的值就是-17、-69、-65，所以，判定是否是UTF-8编码格式的代码片段如下： 

Java代码
  1. java.io.File f=new java.io.File("待判定的文本文件名");  
  2. try{  
  3.   java.io.InputStream ios=new java.io.FileInputStream(f);  
  4.   byte[] b=new byte[3];  
  5.   ios.read(b);  
  6.   ios.close();  
  7.   if(b[0]==-17&&b[1]==-69&&b[2]==-65)  
  8.      System.out.println(f.getName()+"编码为UTF-8");  
  9.   else System.out.println(f.getName()+"可能是GBK");  
  10. }catch(Exception e){  
  11.    e.printStackTrace();  
  12. }  

 

 

上述代码只是简单判定了是否是UTF-8格式编码的文本文件，如果项目对要判定的文本文件编码不可控（比如用户上传的一些HTML、XML等文本），可以采用一个现成的开源项目：cpdetector，它所在的网址是：http://cpdetector.sourceforge.net/。它的类库很小，只有500K左右，利用该类库判定文本文件的代码如下（由于cpdetector的算法使用概率统计，所以结果并不是100%准确的，但是是迄今为止我见过的最准确的....@_@）： 

Java代码
  1. /*------------------------------------------------------------------------ 
  2.   detector是探测器，它把探测任务交给具体的探测实现类的实例完成。 
  3.   cpDetector内置了一些常用的探测实现类，这些探测实现类的实例可以通过add方法 
  4.   加进来，如ParsingDetector、 JChardetFacade、ASCIIDetector、UnicodeDetector。   
  5.   detector按照“谁最先返回非空的探测结果，就以该结果为准”的原则返回探测到的 
  6.   字符集编码。 
  7. --------------------------------------------------------------------------*/  
  8. cpdetector.io.CodepageDetectorProxy detector =  
  9. cpdetector.io.CodepageDetectorProxy.getInstance();  
  10. /*------------------------------------------------------------------------- 
  11.   ParsingDetector可用于检查HTML、XML等文件或字符流的编码,构造方法中的参数用于 
  12.   指示是否显示探测过程的详细信息，为false不显示。 
  13. ---------------------------------------------------------------------------*/  
  14. detector.add(new cpdetector.io.ParsingDetector(false));   
  15. /*-------------------------------------------------------------------------- 
  16.   JChardetFacade封装了由Mozilla组织提供的JChardet，它可以完成大多数文件的编码 
  17.   测定。所以，一般有了这个探测器就可满足大多数项目的要求，如果你还不放心，可以 
  18.   再多加几个探测器，比如下面的ASCIIDetector、UnicodeDetector等。 
  19.  ---------------------------------------------------------------------------*/   
  20. detector.add(cpdetector.io.JChardetFacade.getInstance());  
  21. //ASCIIDetector用于ASCII编码测定  
  22. detector.add(cpdetector.io.ASCIIDetector.getInstance());  
  23. //UnicodeDetector用于Unicode家族编码的测定  
  24. detector.add(cpdetector.io.UnicodeDetector.getInstance());  
  25. java.nio.charset.Charset charset = null;  
  26. File f=new File("待测的文本文件名");  
  27. try {  
  28.       charset = detector.detectCodepage(f.toURL());  
  29. } catch (Exception ex) {ex.printStackTrace();}  
  30. if(charset!=null){  
  31.      System.out.println(f.getName()+"编码是："+charset.name());  
  32. }else  
  33.     System.out.println(f.getName()+"未知");  


 

上面代码中的detector不仅可以用于探测文件的编码，也可以探测任意输入的文本流的编码，方法是调用其重载形式： 

Java代码
  1. charset=detector.detectCodepage(待测的文本输入流,测量该流所需的读入字节数);  

 

上面的字节数由程序员指定，字节数越多，判定越准确，当然时间也花得越长。要注意，字节数的指定不能超过文本流的最大长度。 

判定文件编码的具体应用举例： 
属性文件(.properties)是Java程序中的常用文本存储方式，象STRUTS框架就是利用属性文件存储程序中的字符串资源。它的内容如下所示： 
 

Java代码
  1. #注释语句  
  2. 属性名=属性值  


读入属性文件的一般方法是： 
 

Java代码
  1. FileInputStream ios=new FileInputStream("属性文件名");  
  2. Properties prop=new Properties();  
  3. prop.load(ios);  
  4. ios.close();  


利用java.io.Properties的load方法读入属性文件虽然方便，但如果属性文件中有中文，在读入之后就会发现出现乱码现象。发生这个原因是load方法使用字节流读入文本，在读入后需要将字节流编码成为字符串，而它使用的编码是“iso-8859-1”,这个字符集是ASCII码字符集，不支持中文编码，所以这时需要使用显式的转码: 

Java代码
    1. String value=prop.getProperty("属性名");  
    2. String encValue=new String(value.getBytes("iso-8859-1"),"属性文件的实际编码");  
posted @ 2014-05-16 21:08  明明是悟空  阅读(19395)  评论(0)  编辑  收藏  举报