Java判斷文件編碼格式

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

 

一般情況下我們遇到的文件編碼格式為GBK或者UTF-8。由於中文Windows默認的編碼是GBK，所以一般只要判定UTF-8編碼格式。 
對於UTF-8編碼格式的文本文件，其前3個字節的值就是-17、-69、-65，所以，判定是否是UTF-8編碼格式的代碼片段如下： 

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

 

 

上述代碼只是簡單判定了是否是UTF-8格式編碼的文本文件，如果項目對要判定的文本文件編碼不可控（比如用戶上傳的一些HTML、XML等文本），可以采用一個現成的開源項目：cpdetector，它所在的網址是：http://cpdetector.sourceforge.net/。它的類庫很小，只有500K左右，利用該類庫判定文本文件的代碼如下（由於cpdetector的算法使用概率統計，所以結果並不是100%准確的，但是是迄今為止我見過的最准確的....@_@）： 

/*------------------------------------------------------------------------
  detector是探測器，它把探測任務交給具體的探測實現類的實例完成。
  cpDetector內置了一些常用的探測實現類，這些探測實現類的實例可以通過add方法
  加進來，如ParsingDetector、 JChardetFacade、ASCIIDetector、UnicodeDetector。
  detector按照“誰最先返回非空的探測結果，就以該結果為准”的原則返回探測到的
  字符集編碼。
--------------------------------------------------------------------------*/
cpdetector.io.CodepageDetectorProxy detector =
cpdetector.io.CodepageDetectorProxy.getInstance();
/*-------------------------------------------------------------------------
  ParsingDetector可用於檢查HTML、XML等文件或字符流的編碼,構造方法中的參數用於
  指示是否顯示探測過程的詳細信息，為false不顯示。
---------------------------------------------------------------------------*/
detector.add(new cpdetector.io.ParsingDetector(false));
/*--------------------------------------------------------------------------
  JChardetFacade封裝了由Mozilla組織提供的JChardet，它可以完成大多數文件的編碼
  測定。所以，一般有了這個探測器就可滿足大多數項目的要求，如果你還不放心，可以
  再多加幾個探測器，比如下面的ASCIIDetector、UnicodeDetector等。
 ---------------------------------------------------------------------------*/
detector.add(cpdetector.io.JChardetFacade.getInstance());
//ASCIIDetector用於ASCII編碼測定
detector.add(cpdetector.io.ASCIIDetector.getInstance());
//UnicodeDetector用於Unicode家族編碼的測定
detector.add(cpdetector.io.UnicodeDetector.getInstance());
java.nio.charset.Charset charset = null;
File f=new File("待測的文本文件名");
try {
      charset = detector.detectCodepage(f.toURL());
} catch (Exception ex) {ex.printStackTrace();}
if(charset!=null){
     System.out.println(f.getName()+"編碼是："+charset.name());
}else
    System.out.println(f.getName()+"未知");

 

上面代碼中的detector不僅可以用於探測文件的編碼，也可以探測任意輸入的文本流的編碼，方法是調用其重載形式： 

charset=detector.detectCodepage(待測的文本輸入流,測量該流所需的讀入字節數);

 

上面的字節數由程序員指定，字節數越多，判定越准確，當然時間也花得越長。要注意，字節數的指定不能超過文本流的最大長度。 

判定文件編碼的具體應用舉例： 
屬性文件(.properties)是Java程序中的常用文本存儲方式，象STRUTS框架就是利用屬性文件存儲程序中的字符串資源。它的內容如下所示： 
 

#注釋語句
屬性名=屬性值

讀入屬性文件的一般方法是： 
 

FileInputStream ios=new FileInputStream("屬性文件名");
Properties prop=new Properties();
prop.load(ios);
ios.close();

利用java.io.Properties的load方法讀入屬性文件雖然方便，但如果屬性文件中有中文，在讀入之后就會發現出現亂碼現象。發生這個原因是load方法使用字節流讀入文本，在讀入后需要將字節流編碼成為字符串，而它使用的編碼是“iso-8859-1”,這個字符集是ASCII碼字符集，不支持中文編碼，所以這時需要使用顯式的轉碼: 

String value=prop.getProperty("屬性名");
String encValue=new String(value.getBytes("iso-8859-1"),"屬性文件的實際編碼");