1 :轻松判断是不是1:UTF-8。 因为除了utf-8之外一般都是GBK,所以将缺省设置为GBK。
用指定的字符集存储文件时,文件的前三个字节可能包含编码信息。 因此,基本原理是,通过读取文件的前三个字节并确定这些字节的值,就可以知道编码的格式。 实际上,如果项目运行的平台是中文操作系统,如果这些文本文件是在项目中生成的,也就是说,如果开发者可以控制文本编码格式,则GBK和UTF-8这两种常用编码器中文Windows的缺省编码是GBK,因此通常只需确定UTF-8编码格式。
对于UTF-8编码文本文件,前三个字节的值为-17、-69和-65,因此用于确定是否使用UTF-8编码的代码段如下所示:
filefile=newfile(path;
inputstream in=new Java.io.file inputstream (file );
byte[] b=new byte[3];
in.read(b );
in.close (;
if(b )0)==-17b(1)==-69b(2)==-65 ) ) ) ) ) )。
编码为system.out.println (file.getname () ):UTF-8;
else
system.out.println (file.getname ():GBK或其他编码) )
2 )要实现更复杂的文件编码测试,请使用开放源代码项目cpdetector。 http://cpDetector.SourceForge.net /其类库小到500K左右,CP detector基于统计学原理,不能保证完全正确。 利用这个类库判定文本文件的代码如下。
读取外部文件(用cpdetector检测出文件的编码形式,然后用检测出的编码方式读取文件) :
//*
*使用第三方开放源代码软件包cpdetector获取文件编码格式
*
* @param path
*确定文件编码格式的源文件的路径
* @author huanglei
* @version 2012-7-12 14:05
*/
publicstaticstringgetfileencode {
/*
*检测器是探测器,它将探测任务传递给特定探测器实现类的实例。
* CP检测器包括parsing检测器、
* JChardetFacade、ascii检测器和unicode检测器。
*检测器根据“谁最初返回的非空探测结果以该结果为准”的原则返回探测到的结果
*字符集代码。 必须使用三个第三方jar包: antlr.JAR、chardet.jar和cpdetector.jar
* cpDetector基于统计学原理,不保证完全正确。
*/
codepagedetectorproxydetector=codepagedetectorproxy.getinstance (;
/*
* ParsingDetector可用于检查文件(如HTML或XML )或字符流的编码。 构造方法的参数是
*指示是否显示探测进程详细信息,如果为false则不显示。
*/
detector.add (newparsingdetector ) false );
/*
* JChardetFacade封装了Mozilla提供的JChardet,可以完成对大多数文件的编码
*测量。 所以,一般来说有这个探测器就能满足大多数项目的要求。 如果你还不安的话,可以
*添加一些探测器,如以下ascii检测器、unicode检测器等:
*/
detector.add (jchardetfacade.getinstance (); 使用antlr.jar、chardet.jar
ASCII检测器用于ASCII码测量
etector.add (ascii detector.getinstance ();
//UnicodeDetector用于测量Unicode族代码
detector.add (unicode detector.getinstance ();
Java.nio.charset.charset charset=null;
filef=newfile(path;
try {
charset=detector.detectCodepa
ge(f.toURI().toURL());} catch (Exception ex) {
ex.printStackTrace();
}
if (charset != null)
return charset.name();
else
return null;
}
String charsetName = getFileEncode(configFilePath);
System.out.println(charsetName);
inputStream = new FileInputStream(configFile);
BufferedReader in = new BufferedReader(new InputStreamReader(inputStream, charsetName));
读jar包内部资源文件(先利用cpdetector检测jar内部的资源文件的编码格式,然后以检测到的编码方式去读文件):
/**
* 利用第三方开源包cpdetector获取URL对应的文件编码
*
* @param path
* 要判断文件编码格式的源文件的URL
* @author huanglei
* @version 2012-7-12 14:05
*/
public static String getFileEncode(URL url) {
/*
* 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。使用需要用到三个第三方JAR包:antlr.jar、chardet.jar和cpdetector.jar
* cpDetector是基于统计学原理的,不保证完全正确。
*/
CodepageDetectorProxy detector = 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 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(JChardetFacade.getInstance());// 用到antlr.jar、chardet.jar
// ASCIIDetector用于ASCII编码测定
detector.add(ASCIIDetector.getInstance());
// UnicodeDetector用于Unicode家族编码的测定
detector.add(UnicodeDetector.getInstance());
java.nio.charset.Charset charset = null;
try {
charset = detector.detectCodepage(url);
} catch (Exception ex) {
ex.printStackTrace();
}
if (charset != null)
return charset.name();
else
return null;
}
URL url = CreateStationTreeModel.class.getResource("/resource/" + "配置文件");
URLConnection urlConnection = url.openConnection();
inputStream=urlConnection.getInputStream();
String charsetName = getFileEncode(url);
System.out.println(charsetName);
BufferedReader in = new BufferedReader(new InputStreamReader(inputStream, charsetName));
3:探测任意输入的文本流的编码,方法是调用其重载形式:
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。
4: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:
#注释语句
属性名=属性值
读入属性文件的一般方法是:
FileInputStream ios=new FileInputStream(“属性文件名”);
Properties prop=new Properties();
prop.load(ios);
String value=prop.getProperty(“属性名”);
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,
自信的薯片:使用显式的转码:
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”);
方法二: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,就使用”UTF-8″直接转码。
方法三: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
补充:可以用下面代码获得Java支持编码集合:
Charset.availableCharsets().keySet();
可以用下面的代码获得系统默认编码:
Charset.defaultCharset();