Java 如何獲得文件編碼格式
發(fā)布于：2010-4-21 10:56:07 已被閱讀： 61
在程序中，文本文件 經(jīng)常用來存儲標(biāo)準的ASCII碼文本，比如英文、加減乘除等號這些運算符號。文本文件也可能用于存儲一些其他非ASCII字符，如基于 GBK的簡體中文，基于BIG5的繁體中文等等。在存儲這些字符時需要正確指定文件的編碼格式;而在讀取這些文本文件時，有時候就需要自動判定文件的編碼 格式。
按照給定的字符集存儲文本文件時，在文件的最開頭的三個字節(jié)中就有可能存儲著編碼信息，所以，基本的原 理就是只要讀出文件前三個字節(jié)，判定這些字節(jié)的值，就可以得知其編碼的格式。其實，如果項目運行的平臺就是中文操作系統(tǒng)，如果這些文本文件在項目內(nèi)產(chǎn)生， 即開發(fā)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。由于中文Windows默認的編碼是 GBK，所以一般只要判定UTF-8編碼格式。
對于UTF-8編碼格式的文本文件，其前3個字節(jié)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：
測試文件編碼是否為UTF-8
File file = new File(path);
InputStream ios = new java.io.FileInputStream(file);
byte[] b = new byte[3];
ios.read(b);
ios.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。”);
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(xiàn)成的開源項目：cpdetector，它所在的網(wǎng)址 是：http://www.oschina.net/p/cpdetector。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：
FileEncodeDetector
package cn.edu.cqu.tiger;
import info.monitorenter.cpdetector.io.ASCIIDetector;
import info.monitorenter.cpdetector.io.CodepageDetectorProxy;
import info.monitorenter.cpdetector.io.JChardetFacade;
import info.monitorenter.cpdetector.io.ParsingDetector;
import info.monitorenter.cpdetector.io.UnicodeDetector;
import java.io.BufferedReader;
import java.io.File;
import java.io.FileInputStream;
import java.io.FileNotFoundException;
import java.io.IOException;
import java.io.InputStream;
import java.io.InputStreamReader;
public class FileEncodeDetector {
public static String getFileEncode(String path) {
/*------------------------------------------------------------------------
detector是探測器，它把探測任務(wù)交給具體的探測實現(xiàn)類的實例完成。
cpDetector內(nèi)置了一些常用的探測實現(xiàn)類，這些探測實現(xiàn)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(jié)果，就以該結(jié)果為準”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是基于統(tǒng)計學(xué)原理的，不保證完全正確。
--------------------------------------------------------------------------*/
CodepageDetectorProxy detector = CodepageDetectorProxy.getInstance();
/*-------------------------------------------------------------------------
ParsingDetector可用于檢查HTML、XML等文件或字符流的編碼,構(gòu)造方法中的參數(shù)用 于
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(shù)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(shù)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用于ASCII編碼測定
detector.add(ASCIIDetector.getInstance());
// UnicodeDetector用于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;
}
public static void main(String[] args) throws IOException,
FileNotFoundException {
String path = "J:\\Unicode\\ub.txt";
//Windows下 Unicode探測后得到Windows-1252
String encode = getFileEncode(path);
if("Windows-1252".equalsIgnoreCase(encode))
encode = "Unicode";
File file = new File(path);
InputStream ios = new java.io.FileInputStream(file);
byte[] b = new byte[3];
ios.read(b);
ios.close();
if (b[0] == -17 && b[1] == -69 && b[2] == -65)//文件頭
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。");
BufferedReader bufferedReader = new BufferedReader(
new InputStreamReader(new FileInputStream(file), encode));
System.out.println(encode);
System.out.println(bufferedReader.readLine().substring(1));// 去掉第一行中的文件頭
}
}
上面代碼中的detector不僅可以用于探測文件的編碼，也可以探測任意輸入的文本流的編碼，方法是 調(diào)用其重載形式：
charset=detector.detectCodepage(InputStream in, int length);
上面的字節(jié)數(shù)由程序員指定，字節(jié)數(shù)越多，判定越準確，當(dāng)然時間也花得越長。要注意，字節(jié)數(shù)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(yīng)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(nèi)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(fā)現(xiàn)出現(xiàn)亂碼現(xiàn)象。發(fā)生這個原因是load方法使用字節(jié)流讀入文本，在讀入后需要將字節(jié)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(zhuǎn)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”);
在上面的代碼中，屬性文件的實際編碼就可以利用上面的方法獲得。當(dāng)然，象這種屬性文件是項目內(nèi)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(nèi)定的GBK，就直接利用”gbk”來轉(zhuǎn)碼，如果約定采用UTF-8，也可以是使用”UTF-8″直接轉(zhuǎn)碼。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(fā)人員的工作。
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(tǒng)默認編碼：
Charset.defaultCharset();
