最近一段时间作东西，总是因为要处理可能不通字符集的文件而烦心，虽然遭到一个程序库，好象是模仿Mozilla的一个Ｃ库使用ｊａｖａ实现的，但是普通的情况下使用这个库是不是太大了点．于是将GBK作为默认编码，主要判断utf-8，我实现了一个程序，在Ｗｉｎｄｏｗｓ下边如果使用记事本保存的ＴＸＴ文件带有ＢＯＭ当然很方便，但是如果没有ＢＯＭ的话，就只有通过文件中的字符的编码来判断了，经过几次简单的实验，发现尚且可用。ＪＡＶＡ源码如下，恳请指正：
static String get_charset(File file) {
String charset = "GBK";
byte [] first3Bytes = new byte[3];
try {
boolean checked = false;
BufferedInputStream bis = new BufferedInputStream(new FileInputStream(file));
bis.mark(0);
int read = bis.read(first3Bytes, 0, 3);
if (read == -1) return charset;
if (first3Bytes[0] == (byte)0xFF && first3Bytes[1] == (byte)0xFE) {
charset = "UTF-16LE";
checked = true;
}
else if(first3Bytes[0] == (byte)0xFE && first3Bytes[1] == (byte)0xFF) {
charset = "UTF-16BE";
checked = true;
}
else if(first3Bytes[0] == (byte)0xEF && first3Bytes[1] == (byte)0xBB && first3Bytes[2] == (byte)0xBF) {
charset = "UTF-8";
checked = true;
}
bis.reset();
if (!checked) {
int len = 0;
int loc = 0;
while ((read = bis.read()) != -1) {
loc ++;
if (read >= 0xF0)
break;
if (0x80<=read && read <= 0xBF) //单独出现BF以下的，也算是GBK
break;
if (0xC0<=read && read <= 0xDF) {
read = bis.read();
if (0x80<= read && read <= 0xBF)//双字节 (0xC0 - 0xDF) (0x80 - 0xBF),也可能在GB编码内
continue;
else
break;
} else if (0xE0 <= read && read <= 0xEF) {//也有可能出错，但是几率较小
read = bis.read();
if (0x80<= read && read <= 0xBF) {
read = bis.read();
if (0x80<= read && read <= 0xBF) {
charset = "UTF-8";
break;
} else
break;
} else
break;
}
}
System.out.println(loc + " " + Integer.toHexString(read));
}
bis.close();
} catch (Exception e) {
e.printStackTrace();
}
return charset;
}
3COME考试频道为您精心整理，希望对您有所帮助，更多信息在http://www.reader8.com/exam/
