通過UltraEdit查看文件編碼格式可得:bgk是沒有文件字符集編碼格式頭的,所以在可以通過下面方式大略判斷。
GB2312-80編碼的編碼範圍是高位0xa1-0xfe,低位是 0xa1-0xfe ,其中漢字範圍爲 0xb0a1 和 0xf7fe,如果只是簡單地判斷漢字,則只要查看高字節是否大於等於0xa1就可以了,還有就是,全角字符的高字節統統等於0xa3,所以很容易可以區別出全角字符來。
通過編輯器UltraEdit整理可得:
utf-8:對應二進制編碼格式頭爲-17 -69 -65 十進制爲:EF BB BF
unicode:對應二進制編碼格式頭爲-1 -2 十進制爲:FF FE
gbk格式沒有自己編碼頭,所以無法比較.且gbk2312與gbk是包含關係
Unicode big endian:FE、FF
因此可以通過兩種方式判斷;如下:
1、if (log[0] == -17 && log[1] == -69 && log[2] == -65)
System.out.println(":編碼爲UTF-8");
else
System.out.println(":可能是GBK,也可能是其他編碼");
2、if (Integer.toHexString(0xFF & log[0]).equals("ef")
&& Integer.toHexString(0xFF & log[1]).equals("bb")
&& Integer.toHexString(0xFF & log[2]).equals("bf")) {
System.out.println(":編碼爲UTF-8");
} else {
System.out.println(":可能是GBK,也可能是其他編碼");
}
這裏只是舉例常用幾種文件字符集編碼格式。
注意這個方法的侷限:文件頭必須有文件存儲編碼的信息,對於不規範的文件或被篡改過的就另當別論
用法如下:
/**
* 獲取二進制文件字節流中內容的編碼格式
* utf-8:對應二進制編碼格式頭爲-17 -69 -65 十進制爲:EF BB BF
* unicode:對應二進制編碼格式頭爲-1 -2 十進制爲:FF FE
* gbk格式沒有自己編碼頭,所以無法比較.且gbk2312與gbk是包含關係
*/
public static String getCodeType(byte[] b) {
if (b[0] == -17 && b[1] == -69 && b[2] == -65) {
return "utf8";
} else if (b[0] == -1 && b[1] == -2) {
return "unicode";
} else {
return "gbk";
}
}
採用第二種方式:
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,然後用檢測到的編碼方式去讀文件)
還需要使用到三個第三方JAR包:antlr.jar、chardet.jar和cpdetector.jar
可以這裏下載所有全部架包:https://download.csdn.net/my 或者留言
/**
* 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
*/
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,就以該結果爲準”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,爲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,然後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
*/
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,就以該結果爲準”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,爲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,判定越準確,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:
#註釋語句
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,在讀入之後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,在讀入後需要將字節流編碼成爲字符串,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,比如約定採用Windows內定的GBK,就直接利用”gbk”來轉碼, 如果約定採用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();
參考:https://blog.csdn.net/servermanage/article/details/8595676
https://blog.csdn.net/shuijianbaozi/article/details/79457723