没提供编码格式，读文件时要怎么推测文件具体的编码
程序员文章站
2023-09-28 23:04:36
引子 我们知道从一个文件流中读取内容时是要指定具体的编码格式的，否则读出来的内容会是乱码。比如我们的代码写成下面这个样子： 执行上面的代码，有时我们能“侥幸”得到正确的执行结果。因为 这个方法会指定默认的编码格式，所以如果我们读取的文件的编码格式正好是UTF8的话，那上面的代码就一点问题没有。但是如 ......
引子
我们知道从一个文件流中读取内容时是要指定具体的编码格式的，否则读出来的内容会是乱码。比如我们的代码写成下面这个样子：
private static void m1(){
try(fileinputstream fileinputstream = new fileinputstream("d:\\每日摘录.txt")) {
byte[] bytes = filecopyutils.copytobytearray(fileinputstream);
system.out.println(new string(bytes));
} catch (filenotfoundexception e) {
e.printstacktrace();
} catch (ioexception e) {
e.printstacktrace();
}
}
执行上面的代码，有时我们能“侥幸”得到正确的执行结果。因为new string(byte[])这个方法会指定默认的编码格式，所以如果我们读取的文件的编码格式正好是utf8的话，那上面的代码就一点问题没有。但是如果我们读取的是一个编码格式是gbk的文件，那么得到的内容将是一坨乱码。
上面的问题解决起来很简单，只要指定下字符编码就可以了。
new string(bytes,"gbk")；
在告知文件编码格式的条件下，解决上面的问题是很简单。假如现在没告知文件具体的编码格式，我们需要怎么正确的读取文件呢？一个可行的办法是推测文件编码方式。
推测文件编码的方式
网上有多种方式可以“推测”出一个文件的可用编码，但是需要注意的是：所有的方法都不能保证推测出来的结果是绝对准确的，有的方法推测的准确率较高，而有的方法推测出来的准确率较低。主要的推测方法有以下几种：
- 通过文件的前三个字节来判断：因为有些编码格式会存在文件的前面3个字节中，比如utf-8编码格式的文本文件，其前3个字节的值就是-17、-69、-65。但是很明显，这种方式的局限性比较大，推测出来的准确率也比较低，因此不推荐这种方式。
- 通过特殊字符来判断：通过某些编码格式编码的文件中会出现一些特殊的字节值，因此可以通过判断文件中是否有这些特殊值来推测文件编码格式。此方准确率也不高，不推荐使用。
- 通过工具库cpdetector来判断：cpdector 是一款开源的文档编码检测工具，可以检测 xml，html文档编码类型。是基于统计学原理来推测文件编码的，但是也不保证推测结果的准确性。
- 通过icu4j库来判断：icu的推测逻辑基于ibm过去几十年收集的字符集数据，理论上也是基于统计学的。这种方式统计的结果准确性也较高推荐使用。
下面就来具体介绍下怎么使用cpdector和icu4j推测文件编码。
cpdector
使用cpdetector jar包，提供两种方式检测文件编码，至于选择哪种 需要根据个人需求，文档有注释。依赖antlr-2.7.4.jar，chardet-1.0.jar，jargs-1.0.jar三个jar包。 可以再官网下载 http://cpdetector.sourceforge.net/。
import info.monitorenter.cpdetector.io.asciidetector;
import info.monitorenter.cpdetector.io.byteordermarkdetector;
import info.monitorenter.cpdetector.io.codepagedetectorproxy;
import info.monitorenter.cpdetector.io.jchardetfacade;
import info.monitorenter.cpdetector.io.parsingdetector;
import info.monitorenter.cpdetector.io.unicodedetector;
import java.io.bufferedinputstream;
import java.io.bytearrayinputstream;
import java.io.ioexception;
import java.io.inputstream;
import java.nio.charset.charset;
import org.apache.log4j.logger;
/**
* <p>
* 获取流编码,不保证完全正确，设置检测策略 isfast为true为快速检测策略，false为正常检测
* inputstream 支持mark,则会在检测后调用reset，外部可重新使用。
* inputstream 流没有关闭。
* </p>
*
* <p>
* 如果采用快速检测编码方式,最多会扫描8个字节，依次采用的{@link unicodedetector}，{@link byteordermarkdetector}，
* {@link jchardetfacade}， {@link asciidetector}检测。对于一些标准的unicode编码，适合这个方式或者对耗时敏感的。
* </p>
*
* <p>
* 采用正常检测，读取指定字节数，如果没有指定，默认读取全部字节检测，依次采用的{@link byteordermarkdetector}，{@link parsingdetector}，{@link jchardetfacade}， {@link asciidetector}检测。
* 字节越多检测时间越长，正确率较高。
* </p>
* @author wukong
*
*/
public class cpdetectorencoding {
private static final logger logger = logger.getlogger(cpdetectorencoding.class);
/**
* <p>
* 获取流编码,不保证完全正确，设置检测策略 isfast为true为快速检测策略，false为正常检测
* inputstream 支持mark,则会在检测后调用reset，外部可重新使用。
* inputstream 流没有关闭。
* </p>
*
* <p>
* 如果采用快速检测编码方式,最多会扫描8个字节，依次采用的{@link unicodedetector}，{@link byteordermarkdetector}，
* {@link jchardetfacade}， {@link asciidetector}检测。对于一些标准的unicode编码，适合这个方式或者对耗时敏感的。
* </p>
*
* <p>
* 采用正常检测，读取指定字节数，如果没有指定，默认读取全部字节检测，依次采用的{@link byteordermarkdetector}，{@link parsingdetector}，{@link jchardetfacade}， {@link asciidetector}检测。
* 字节越多检测时间越长，正确率较高。
* </p>
*
* @param in 输入流 isfast 是否采用快速检测编码方式
* @return charset the character are now - hopefully - correct。如果为null，没有检测出来。
* @throws ioexception
*/
public charset getencoding(inputstream buffin,boolean isfast) throws ioexception{
return getencoding(buffin,buffin.available(),isfast);
}
public charset getfastencoding(inputstream buffin) throws ioexception{
return getencoding(buffin,max_readbyte_fast,defalut_detect_strategy);
}
public charset getencoding(inputstream in, int size, boolean isfast) throws ioexception {
try {
java.nio.charset.charset charset = null;
int tmpsize = in.available();
size = size >tmpsize?tmpsize:size;
//if in support mark method,
if(in.marksupported()){
if(isfast){
size = size>max_readbyte_fast?max_readbyte_fast:size;
in.mark(size++);
charset = getfastdetector().detectcodepage(in, size);
}else{
in.mark(size++);
charset = getdetector().detectcodepage(in, size);
}
in.reset();
}else{
if(isfast){
size = size>max_readbyte_fast?max_readbyte_fast:size;
charset = getfastdetector().detectcodepage(in, size);
}else{
charset = getdetector().detectcodepage(in, size);
}
}
return charset;
}catch(illegalargumentexception e){
logger.error(e.getmessage(),e);
throw e;
} catch (ioexception e) {
logger.error(e.getmessage(),e);
throw e;
}
}
public charset getencoding(byte[] bytearr,boolean isfast) throws ioexception{
return getencoding(bytearr, bytearr.length, isfast);
}
public charset getfastencoding(byte[] bytearr) throws ioexception{
return getencoding(bytearr, max_readbyte_fast, defalut_detect_strategy);
}
public charset getencoding(byte[] bytearr, int size,boolean isfast) throws ioexception {
size = bytearr.length>size?size:bytearr.length;
if(isfast){
size = size>max_readbyte_fast?max_readbyte_fast:size;
}
bytearrayinputstream bytearrin = new bytearrayinputstream(bytearr,0,size);
bufferedinputstream in = new bufferedinputstream(bytearrin);
try {
charset charset = null;
if(isfast){
charset = getfastdetector().detectcodepage(in, size);
}else{
charset = getdetector().detectcodepage(in, size);
}
return charset;
} catch (illegalargumentexception e) {
logger.error(e.getmessage(),e);
throw e;
} catch (ioexception e) {
logger.error(e.getmessage(),e);
throw e;
}
}
private static codepagedetectorproxy detector =null;
private static codepagedetectorproxy fastdtector =null;
private static parsingdetector parsingdetector = new parsingdetector(false);
private static byteordermarkdetector byteordermarkdetector = new byteordermarkdetector();
//default strategy use fastdtector
private static final boolean defalut_detect_strategy = true;
private static final int max_readbyte_fast = 8;
private static codepagedetectorproxy getdetector(){
if(detector==null){
detector = codepagedetectorproxy.getinstance();
// add the implementations of info.monitorenter.cpdetector.io.icodepagedetector:
// this one is quick if we deal with unicode codepages:
detector.add(byteordermarkdetector);
// the first instance delegated to tries to detect the meta charset attribut in html pages.
detector.add(parsingdetector);
// this one does the tricks of exclusion and frequency detection, if first implementation is
// unsuccessful:
detector.add(jchardetfacade.getinstance());
detector.add(asciidetector.getinstance());
}
return detector;
}
private static codepagedetectorproxy getfastdetector(){
if(fastdtector==null){
fastdtector = codepagedetectorproxy.getinstance();
fastdtector.add(unicodedetector.getinstance());
fastdtector.add(byteordermarkdetector);
fastdtector.add(jchardetfacade.getinstance());
fastdtector.add(asciidetector.getinstance());
}
return fastdtector;
}
}
icu4j
icu (international components for unicode)是为软件应用提供unicode和全球化支持的一套成熟、广泛使用的c/c++和java类库集，可在所有平台的c/c++和java软件上获得一致的结果。
icu首先是由taligent公司开发的，taligent公司被合并为ibm公司全球化认证中心的unicode研究组后，icu由ibm和开源组织合作继续开发。开始icu只有java平台的版本，后来这个平台下的icu类被吸纳入sun公司开发的jdk1.1，并在jdk以后的版本中不断改进。c++和c平台下的icu是由java平台下的icu移植过来的，移植过的版本被称为icu4c，来支持这c/c++两个平台下的国际化应用。icu4j和icu4c区别不大，但由于icu4c是开源的，并且紧密跟进unicode标准，icu4c支持的unicode标准总是最新的；同时，因为java平台的icu4j的发布需要和jdk绑定，icu4c支持unicode标准改变的速度要比icu4j快的多。
icu的功能主要有:
- 代码页转换: 对文本数据进行unicode、几乎任何其他字符集或编码的相互转换。icu的转化表基于ibm过去几十年收集的字符集数据，在世界各地都是最完整的。
- 排序规则（collation）: 根据特定语言、区域或国家的管理和标准比较字数串。icu的排序规则基于unicode排序规则算法加上来自公共区域性数据仓库（common locale data repository）的区域特定比较规则。
- 格式化: 根据所选区域设置的惯例，实现对数字、货币、时间、日期、和利率的格式化。包括将月和日名称转换成所选语言、选择适当缩写、正确对字段进行排序等。这些数据也取自公共区域性数据仓库。
- 时间计算: 在传统格里历基础上提供多种历法。提供一整套时区计算api。
- unicode支持: icu紧密跟进unicode标准，通过它可以很容易地访问unicode标准制定的很多unicode字符属性、unicode规范化、大小写转换和其他基础操作。
- 正则表达式: icu的正则表达式全面支持unicode并且性能极具竞争力。
- bidi: 支持不同文字书写顺序混合文字（例如从左到右书写的英语，或者从右到左书写的阿拉伯文和希伯来文）的处理。
- 文本边界: 在一段文本内定位词、句或段落位置、或标识最适合显示文本的自动换行位置。
代码示例:
public class fileencodingdetector {
public static void main(string[] args) {
file file = new file("d:\\xx1.log");
system.out.println(getfilecharsetbyicu4j(file));
}
public static string getfilecharsetbyicu4j(file file) {
string encoding = null;
try {
path path = paths.get(file.getpath());
byte[] data = files.readallbytes(path);
charsetdetector detector = new charsetdetector();
detector.settext(data);
//这个方法推测首选的文件编码格式
charsetmatch match = detector.detect();
//这个方法可以推测出所有可能的编码方式
charsetmatch[] charsetmatches = detector.detectall();
if (match == null) {
return encoding;
}
encoding = match.getname();
} catch (ioexception var6) {
system.out.println(var6.getstacktrace());
}
return encoding；
}
}
注意点
- icu4j和cpdector推测出来的文件编码都不能保证百分百准确，只能保证大概率准确；
- icu4j和cpdector推测出来的编码不一定是文件原始的编码。比如我的一个文本文件中只有简单的英文字符，然后我将这个文件存为gbk编码格式。这时你使用这两个工具推测出来的文件编码可能是ascii编码。但是使用ascii编码也能正确打开这个文件，因为gbk是兼容ascii的。所以能看出，这两个工具都是以能正确解码文件为原则来推测编码的，不一定要推测出原始编码。
参考
上一篇： MySql安装配置