判断文件的编码

首先，不同编码的文本，是根据文本的前两个字节来定义其编码格式的。定义如下：



ANSI： 无格式定义；

Unicode： 前两个字节为FFFE；

Unicode big endian： 前两字节为FEFF；

UTF-8： 前两字节为EFBB；



知道了各种编码格式的区别，写代码就容易了.

1. publicstaticString get_charset( File file ) {
2. String charset ="GBK";
3. byte[] first3Bytes =newbyte[3];
4. try{
5. boolean;
6. BufferedInputStream bis =newBufferedInputStream(newFileInputStream( file ) );
7. bis.mark(0);
8. intread = bis.read( first3Bytes,0,3);
9. if( read == -1)returncharset;
10. if( first3Bytes[0] == (byte)0xFF&& first3Bytes[1] == (byte)0xFE) {
11. charset ="UTF-16LE";
12. checked =true;
13. }
14. elseif( first3Bytes[0] == (byte)0xFE&& first3Bytes[1] == (byte)0xFF) {
15. charset ="UTF-16BE";
16. checked =true;
17. }
18. elseif( first3Bytes[0] == (byte)0xEF&& first3Bytes[1] == (byte)0xBB&& first3Bytes[2] == (byte)0xBF) {
19. charset ="UTF-8";
20. checked =true;
21. }
22. bis.reset();
23. if( !checked ) {
24. // int len = 0;
25. intloc =0;
27. while( (read = bis.read()) != -1) {
28. loc++;
29. if( read >=0xF0)break;
30. if(0x80<= read && read <=0xBF)// 单独出现BF以下的，也算是GBK
31. break;
32. if(0xC0<= read && read <=0xDF) {
33. read = bis.read();
34. if(0x80<= read && read <=0xBF)// 双字节 (0xC0 - 0xDF) (0x80
35. // - 0xBF),也可能在GB编码内
36. continue;
37. elsebreak;
38. }
39. elseif(0xE0<= read && read <=0xEF) {// 也有可能出错，但是几率较小
40. read = bis.read();
41. if(0x80<= read && read <=0xBF) {
42. read = bis.read();
43. if(0x80<= read && read <=0xBF) {
44. charset ="UTF-8";
45. break;
46. }
47. elsebreak;
48. }
49. elsebreak;
50. }
51. }
52. //System.out.println( loc + " " + Integer.toHexString( read ) );
53. }
55. bis.close();
56. }catch( Exception e ) {
57. e.printStackTrace();
58. }
60. returncharset;
61. }From: http://ajava.org/code/I18N/14816.html

原文链接: https://www.cnblogs.com/xyzlmn/archive/2010/01/02/3168318.html

欢迎关注

微信关注下方公众号，第一时间获取干货硬货；公众号内回复【pdf】免费获取数百本计算机经典书籍