常用技術匯總

標籤：char   return   trace   print   fileinput   dia   string   font   bsp   

一、擷取檔案的編碼格式

當我們在使用檔案輸入輸出資料流時，經常會出現亂碼問題，這通常是由於編碼格式導致的。

以複製一份檔案為例：

我們用輸入資料流（FileInputStream）讀取檔案，然後用輸出資料流（FileOutPutStream）重新寫入到另一個檔案，

如果源檔案的編碼格式和我們重新寫入時的編碼格式不一致，那麼就可能出現亂碼問題。

因此，我們需要擷取源檔案的編碼格式，以便在重新寫入時使用相同的編碼格式。

 

下面介紹一個簡單的方式準確擷取檔案的編碼格式：

一般地，我們根據檔案的前三個位元組就可以判斷該檔案是什麼編碼格式，如下：

EF BB BF　　　 UTF-8  
FE FF　　　　　 UTF-16/UCS-2, little endian  
FF FE　　　　　 UTF-16/UCS-2, big endian  
FF FE 00 00　　UTF-32/UCS-4, little endian.  
00 00 FE FF　　UTF-32/UCS-4, big-endian.

因此，我麼讀取檔案的前幾個位元組就可用於判斷檔案的編碼格式，代碼如下：

import java.io.BufferedInputStream;
import java.io.File;
import java.io.FileInputStream;

public class GetFileEncode {
public static void main(String[] args) {
String filePath = "D:\\javaTest\\test.txt";
File sourceFile = new File(filePath);
getFilecharset(sourceFile);
}

private static String getFilecharset(File sourceFile) {
String charset = "GBK";
byte[] first3Bytes = new byte[3];
try {
boolean checked = false;
BufferedInputStream bis = new BufferedInputStream(new FileInputStream(sourceFile));
bis.mark(0);
int read = bis.read(first3Bytes, 0, 3);
if (read == -1) {
return charset; // 檔案編碼為 ANSI
} else if (first3Bytes[0] == (byte) 0xFF
&& first3Bytes[1] == (byte) 0xFE) {
charset = "UTF-16LE"; // 檔案編碼為 Unicode
checked = true;
} else if (first3Bytes[0] == (byte) 0xFE
&& first3Bytes[1] == (byte) 0xFF) {
charset = "UTF-16BE"; // 檔案編碼為 Unicode big endian
checked = true;
} else if (first3Bytes[0] == (byte) 0xEF
&& first3Bytes[1] == (byte) 0xBB
&& first3Bytes[2] == (byte) 0xBF) {
charset = "UTF-8"; // 檔案編碼為 UTF-8
checked = true;
}
bis.reset();
if (!checked) {
int loc = 0;
while ((read = bis.read()) != -1) {
loc++;
if (read >= 0xF0)
break;
if (0x80 <= read && read <= 0xBF) // 單獨出現BF以下的，也算是GBK
break;
if (0xC0 <= read && read <= 0xDF) {
read = bis.read();
if (0x80 <= read && read <= 0xBF) // 雙位元組 (0xC0 - 0xDF)
// (0x80
// - 0xBF),也可能在GB編碼內
continue;
else
break;
} else if (0xE0 <= read && read <= 0xEF) {// 也有可能出錯，但是幾率較小
read = bis.read();
if (0x80 <= read && read <= 0xBF) {
read = bis.read();
if (0x80 <= read && read <= 0xBF) {
charset = "UTF-8";
break;
} else
break;
} else
break;
}
}
}
bis.close();
} catch (Exception e) {
e.printStackTrace();
}
System.out.print(charset);
return charset;
}
}

 

常用技術匯總