一般情況下我們遇到的文件編碼格式为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()+"編碼为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://go.renren.it/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,但是是迄今为止我見過的最准確的....@_@):

 

    /*------------------------------------------------------------------------ 
      detector是探測器,它把探測任務交给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,就以該結果为准”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,構造方法中的参數用於 
      指示是否顯示探測過程的詳細信息,为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: 

Java代碼
  1. 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: 

 

Java代碼
  1. #注釋語句  
  2. 屬性名=屬性值  


讀入屬性文件的一般方法是: 

 

Java代碼
  1. FileInputStream ios= new  FileInputStream( "屬性文件名" );  
  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为字符串,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: 

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

 

 

 

創作者介紹
創作者 shadow 的頭像
shadow

資訊園

shadow 發表在 痞客邦 留言(0) 人氣()