Java如何獲取文件編碼格式

1：簡單判斷是UTF-8或不是UTF-8，因為一般除了UTF-8之外就是GBK，所以就設置默認為GBK。

 按照給定的字符集存儲文件時，在文件的最開頭的三個字節中就有可能存儲着編碼信息，所以，基本的原理就是只要讀出文件前三個字節，判定這些字節的值，就可以得知其編碼的格式。其實，如果項目運行的平台就是中文操作系統，如果這些文本文件在項目內產生，即開發人員可以控制文本的編碼格式，只要判定兩種常見的編碼就可以了：GBK和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：

  File file = new File(path);
          InputStream in= new java.io.FileInputStream(file);
          byte[] b = new byte[3];
          in.read(b);
          in.close();
          if (b[0] == -17 && b[1] == -69 && b[2] == -65)
              System.out.println(file.getName() + "：編碼為UTF-8");
          else
              System.out.println(file.getName() + "：可能是GBK，也可能是其他編碼");

 

2：若想實現更復雜的文件編碼檢測，可以使用一個開源項目cpdetector，它所在的網址是：http://cpdetector.sourceforge.net/。它的類庫很小，只有500K左右，cpDetector是基於統計學原理的，不保證完全正確，利用該類庫判定文本文件的代碼如下： 

讀外部文件(先利用cpdetector檢測文件的編碼格式，然后用檢測到的編碼方式去讀文件): 

/**
     * 利用第三方開源包cpdetector獲取文件編碼格式
     * 
     * @param path
     *            要判斷文件編碼格式的源文件的路徑
     * @author huanglei
     * @version 2012-7-12 14:05
     */
    public static String getFileEncode(String path) {
        /*
         * 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。使用需要用到三個第三方JAR包：antlr.jar、chardet.jar和cpdetector.jar
         * cpDetector是基於統計學原理的，不保證完全正確。
         */
        CodepageDetectorProxy detector = 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 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(JChardetFacade.getInstance());// 用到antlr.jar、chardet.jar
        // ASCIIDetector用於ASCII編碼測定
        detector.add(ASCIIDetector.getInstance());
        // UnicodeDetector用於Unicode家族編碼的測定
        detector.add(UnicodeDetector.getInstance());
        java.nio.charset.Charset charset = null;
        File f = new File(path);
        try {
            charset = detector.detectCodepage(f.toURI().toURL());
        } catch (Exception ex) {
            ex.printStackTrace();
        }
        if (charset != null)
            return charset.name();
        else
            return null;
    }String charsetName = getFileEncode(configFilePath);
System.out.println(charsetName);
inputStream = new FileInputStream(configFile);
BufferedReader in = new BufferedReader(new InputStreamReader(inputStream, charsetName));

 

讀jar包內部資源文件(先利用cpdetector檢測jar內部的資源文件的編碼格式，然后以檢測到的編碼方式去讀文件)： 

/**
     * 利用第三方開源包cpdetector獲取URL對應的文件編碼
     * 
     * @param path
     *            要判斷文件編碼格式的源文件的URL
     * @author huanglei
     * @version 2012-7-12 14:05
     */
    public static String getFileEncode(URL url) {
        /*
         * 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。使用需要用到三個第三方JAR包：antlr.jar、chardet.jar和cpdetector.jar
         * cpDetector是基於統計學原理的，不保證完全正確。
         */
        CodepageDetectorProxy detector = 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 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(JChardetFacade.getInstance());// 用到antlr.jar、chardet.jar
        // ASCIIDetector用於ASCII編碼測定
        detector.add(ASCIIDetector.getInstance());
        // UnicodeDetector用於Unicode家族編碼的測定
        detector.add(UnicodeDetector.getInstance());
        java.nio.charset.Charset charset = null;
        try {
            charset = detector.detectCodepage(url);
        } catch (Exception ex) {
            ex.printStackTrace();
        }
        if (charset != null)
            return charset.name();
        else
            return null;
    }URL url = CreateStationTreeModel.class.getResource("/resource/" + "配置文件");
URLConnection urlConnection = url.openConnection();
inputStream=urlConnection.getInputStream();
String charsetName = getFileEncode(url);
System.out.println(charsetName);
BufferedReader in = new BufferedReader(new InputStreamReader(inputStream, charsetName));

 

3：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。

 

4：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);
      String value=prop.getProperty(“屬性名”);
      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，

    方法一：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”);

    方法二：象這種屬性文件是項目內部的，我們可以控制屬性文件的編碼格式，比如約定采用Windows內定的GBK，就直接利用”gbk”來轉碼，     如果約定采用UTF-8，就使用”UTF-8″直接轉碼。

     方法三：如果想靈活一些，做到自動探測編碼，就可利用上面介紹的方法測定屬性文件的編碼，從而方便開發人員的工作

    

補充：可以用下面代碼獲得Java支持編碼集合：

    Charset.availableCharsets().keySet();

    可以用下面的代碼獲得系統默認編碼：

    Charset.defaultCharset();

 

 

 

 

本文轉載自 http://www.cnblogs.com/java0721/archive/2012/07/21/2602963.html