判定文件编码或文本流编码的方法

原文：http://www.iteye.com/topic/108540 

在程序中，文本文件经常用来存储标准的ASCII码文本，比如英文、加减乘除等号这些运算符号。文本文件也可能用于存储一些其他非ASCII字符，如基于GBK的简体中文，基于GIG5的繁体中文等等。在存储这些字符时需要正确指定文件的编码格式；而在读取这些文本文件时，有时候就需要自动判定文件的编码格式。 

  按照给定的字符集存储文本文件时，在文件的最开头的三个字节中就有可能存储着编码信息，所以，基本的原理就是只要读出文件前三个字节，判定这些字节的值，就可以得知其编码的格式。其实，如果项目运行的平台就是中文操作系统，如果这些文本文件在项目内产生，即开发人员可以控制文本的编码格式，只要判定两种常见的编码就可以了：GBK和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代码   

1. java.io.File f=new java.io.File("待判定的文本文件名");  
2. try{  
3.   java.io.InputStream ios=new java.io.FileInputStream(f);  
4.   byte[] b=new byte[3];  
5.   ios.read(b);  
6.   ios.close();  
7.   if(b[0]==-17&&b[1]==-69&&b[2]==-65)  
8.      System.out.println(f.getName()+"编码为UTF-8");  
9.   else System.out.println(f.getName()+"可能是GBK");  
10. }catch(Exception e){  
11.    e.printStackTrace();  
12. }  

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： 

Java代码   

1. /*------------------------------------------------------------------------ 
2.   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。 
3.   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 
4.   加进来，如ParsingDetector、 JChardetFacade、ASCIIDetector、UnicodeDetector。   
5.   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 
6.   字符集编码。 
7. --------------------------------------------------------------------------*/  
8. cpdetector.io.CodepageDetectorProxy detector =  
9. cpdetector.io.CodepageDetectorProxy.getInstance();  
10. /*------------------------------------------------------------------------- 
11.   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 
12.   指示是否显示探测过程的详细信息，为false不显示。 
13. ---------------------------------------------------------------------------*/  
14. detector.add(new cpdetector.io.ParsingDetector(false));   
15. /*-------------------------------------------------------------------------- 
16.   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 
17.   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 
18.   再多加几个探测器，比如下面的ASCIIDetector、UnicodeDetector等。 
19.  ---------------------------------------------------------------------------*/   
20. detector.add(cpdetector.io.JChardetFacade.getInstance());  
21. //ASCIIDetector用于ASCII编码测定  
22. detector.add(cpdetector.io.ASCIIDetector.getInstance());  
23. //UnicodeDetector用于Unicode家族编码的测定  
24. detector.add(cpdetector.io.UnicodeDetector.getInstance());  
25. java.nio.charset.Charset charset = null;  
26. File f=new File("待测的文本文件名");  
27. try {  
28.       charset = detector.detectCodepage(f.toURL());  
29. } catch (Exception ex) {ex.printStackTrace();}  
30. if(charset!=null){  
31.      System.out.println(f.getName()+"编码是："+charset.name());  
32. }else  
33.     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");  

  在上面的代码中，属性文件的实际编码就可以利用上面的方法获得。当然，象这种属性文件是项目内部的，我们可以控制属性文件的编码格式，比如约定采用Windows内定的GBK，就直接利用"gbk"来转码，如果约定采用UTF-8，也可以是使用"UTF-8"直接转码。如果想灵活一些，做到自动探测编码，就可利用上面介绍的方法测定属性文件的编码，从而方便开发人员的工作。