主题:判定文件编码或文本流编码的方法

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
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();   
}   
    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:

Java代码
/*------------------------------------------------------------------------  
  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");  
  /*------------------------------------------------------------------------
    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
charset=detector.detectCodepage(待测的文本输入流,测量该流所需的读入字节数);  
 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
#注释语句   
属性名=属性值   
   #注释语句
   属性名=属性值
 
  读入属性文件的一般方法是:
 

Java代码
FileInputStream ios=new FileInputStream("属性文件名");   
Properties prop=new Properties();   
prop.load(ios);   
ios.close();   
  FileInputStream ios=new FileInputStream("属性文件名");
  Properties prop=new Properties();
  prop.load(ios);
  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
String value=prop.getProperty("属性名");   
String encValue=new String(value.getBytes("iso-8859-1"),"属性文件的实际编码");   
   String value=prop.getProperty("属性名");
   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。

 

本文来自CSDN博客,转载请标明出处:http://blog.csdn.net/zenith_hu/archive/2009/09/06/4525241.aspx

你可能感兴趣的:(java,exception,properties,String,存储,mozilla)