Java判断文件编码格式

一般情况下我们遇到的文件编码格式为GBK或者UTF-8。 由于中文Windows默认的编码是GBK，所以一般只要判定UTF-8编码格式。 
对于UTF-8编码格式的文本文件，其前3个字节的值就是-17、-69、-65，所以，判定是否是UTF-8编码格式的代码片段如下：

 

 

    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()+"编码为UTF-8");  
      else System.out.println(f.getName()+"可能是GBK");  
    }catch(Exception e){  
       e.printStackTrace();  
    }  

 

 

上述代码只是简单判定了是否是UTF-8格式编码的文本文件，如果项目对要判定的文本文件编码不可控（比如用户上传的一些HTML、XML等文本），可以采用一个现成的开源项目：cpdetector，它所在的网址是：http://cpdetector.sourceforge.net/ 。它的类库很小，只有500K左右，利用该类库判定文本文件的代码如下（由于cpdetector的算法使用概率统计，所以结果并不是100%准确的，但是是迄今为止我见过的最准确的[email protected][email protected]）：

 

    /*------------------------------------------------------------------------ 
      detector是探测器，它把探测任务交给具体的探测实现类的实例完成。 
      cpDetector内置了一些常用的探测实现类，这些探测实现类的实例可以通过add方法 
      加进来，如ParsingDetector、 JChardetFacade、ASCIIDetector、UnicodeDetector。   
      detector按照“谁最先返回非空的探测结果，就以该结果为准”的原则返回探测到的 
      字符集编码。 
    --------------------------------------------------------------------------*/  
    cpdetector.io.CodepageDetectorProxy detector =  
    cpdetector.io.CodepageDetectorProxy.getInstance();  
    /*------------------------------------------------------------------------- 
      ParsingDetector可用于检查HTML、XML等文件或字符流的编码,构造方法中的参数用于 
      指示是否显示探测过程的详细信息，为false不显示。 
    ---------------------------------------------------------------------------*/  
    detector.add(new cpdetector.io.ParsingDetector(false));   
    /*-------------------------------------------------------------------------- 
      JChardetFacade封装了由Mozilla组织提供的JChardet，它可以完成大多数文件的编码 
      测定。所以，一般有了这个探测器就可满足大多数项目的要求，如果你还不放心，可以 
      再多加几个探测器，比如下面的ASCIIDetector、UnicodeDetector等。 
     ---------------------------------------------------------------------------*/   
    detector.add(cpdetector.io.JChardetFacade.getInstance());  
    //ASCIIDetector用于ASCII编码测定  
    detector.add(cpdetector.io.ASCIIDetector.getInstance());  
    //UnicodeDetector用于Unicode家族编码的测定  
    detector.add(cpdetector.io.UnicodeDetector.getInstance());  
    java.nio.charset.Charset charset = null;  
    File f=new File("待测的文本文件名");  
    try {  
          charset = detector.detectCodepage(f.toURL());  
    } catch (Exception ex) {ex.printStackTrace();}  
    if(charset!=null){  
         System.out.println(f.getName()+"编码是："+charset.name());  
    }else  
        System.out.println(f.getName()+"未知");  

 

 

上面代码中的detector不仅可以用于探测文件的编码，也可以探测任意输入的文本流的编码，方法是调用其重载形式： 

Java代码

1. charset=detector.detectCodepage(待测的文本输入流,测量该流所需的读入字节数);  

上面的字节数由程序员指定，字节数越多，判定越准确，当然时间也花得越长。要注意，字节数的指定不能超过文本流的最大长度。 

判定文件编码的具体应用举例： 
属性文件(.properties)是Java程序中的常用文本存储方式，象STRUTS框架就是利用属性文件存储程序中的字符串资源。它的内容如下所示： 

 

Java代码

1. #注释语句  
2. 属性名=属性值  

读入属性文件的一般方法是： 

 

Java代码

1. FileInputStream ios= new  FileInputStream( "属性文件名" );  
2. Properties prop=new  Properties();  
3. prop.load(ios);  
4. ios.close();  

利用java.io.Properties的load方法读入属性文件虽然方便，但如果属性文件中有中文，在读入之后就会发现出现乱码现象。发生这个原因 是load方法使用字节流读入文本，在读入后需要将字节流编码成为字符串，而它使用的编码是“iso-8859-1”,这个字符集是ASCII码字符集， 不支持中文编码，所以这时需要使用显式的转码: 

Java代码

1. String value=prop.getProperty( "属性名" );  
2. String encValue=new  String(value.getBytes( "iso-8859-1" ), "属性文件的实际编码" );