大多数文本编辑器在打开文件时都能够自动检测文件的编码,那它是怎样做到的?我虽然没有实现过一个文本编辑器,但是可以猜测的是,它有一个默认的编码集合,然后尝试用每一个编码去解码打开的文件,如果能够解码则表示这就是文件的正确编码。有一些特殊情况,有些编码在文件开头有特殊的标记字节,因而可以很快检测,这里不考虑。现在的核心问题就是如何决定一个编码是否能够解码一个文件,在Java1.4中可以利用nio中的Charset来解决这个问题。
/**
* 测试输入字节流是否能够使用指定的字符集解码。
*/
public static boolean canDecode(InputStream input, Charset charset) throws IOException {
ReadableByteChannel channel = Channels.newChannel(input);
CharsetDecoder decoder = charset.newDecoder();
ByteBuffer byteBuffer = ByteBuffer.allocate(2048);
CharBuffer charBuffer = CharBuffer.allocate(1024);
boolean endOfInput = false;
while (!endOfInput) {
int n = channel.read(byteBuffer);
byteBuffer.flip(); // flip so it can be drained
endOfInput = (n == -1);
CoderResult coderResult = decoder.decode(byteBuffer, charBuffer, endOfInput);
charBuffer.clear();
if (coderResult == CoderResult.OVERFLOW) {
while (coderResult == CoderResult.OVERFLOW) {
coderResult = decoder.decode(byteBuffer, charBuffer, endOfInput);
charBuffer.clear();
}
}
if (coderResult.isError()) {
return false;
}
byteBuffer.compact(); // compact so it can be refilled
}
CoderResult coderResult;
while ((coderResult = decoder.flush(charBuffer)) == CoderResult.OVERFLOW) {
charBuffer.clear();
}
if (coderResult.isError()) {
return false;
}
return true;
}
要理解上面的代码必须熟悉对Buffer和Channel的操作以及解码的过程。上面的代码只是决定能不能解码,下面代码能够解码出的内容写到字符输出流中(也就是Writer),它要更复杂一些。
Java代码
/**
* 使用指定的字符集解码字节输入流,并将它写入到字符输出流中,如果发生解码错误则返回false,否则返回true,
* 输入中的无效字节序列将被忽略。
*/
public static boolean decode(InputStream input, Writer output, Charset charset) throws IOException {
ReadableByteChannel channel = Channels.newChannel(input);
CharsetDecoder decoder = charset.newDecoder();
ByteBuffer byteBuffer = ByteBuffer.allocate(2048);
CharBuffer charBuffer = CharBuffer.allocate(1024);
boolean endOfInput = false;
boolean error = false;
while (!endOfInput) {
int n = channel.read(byteBuffer);
byteBuffer.flip(); // flip so it can be drained
endOfInput = (n == -1);
CoderResult coderResult = decoder.decode(byteBuffer, charBuffer, endOfInput);
error = drainCharBuffer(error, byteBuffer, charBuffer, coderResult, output);
if (coderResult != CoderResult.UNDERFLOW) {
while (coderResult != CoderResult.UNDERFLOW) {
coderResult = decoder.decode(byteBuffer, charBuffer, endOfInput);
error = drainCharBuffer(error, byteBuffer, charBuffer, coderResult, output);
}
}
byteBuffer.compact(); // compact so it can be refilled
}
CoderResult coderResult;
while ((coderResult = decoder.flush(charBuffer)) != CoderResult.UNDERFLOW) {
error = drainCharBuffer(error, byteBuffer, charBuffer, coderResult, output);
}
error = drainCharBuffer(error, byteBuffer, charBuffer, coderResult, output);
output.flush();
return !error;
}
private static boolean drainCharBuffer(boolean error, ByteBuffer byteBuffer,
CharBuffer charBuffer, CoderResult coderResult, Writer output) throws IOException {
// write charBuffer to output
charBuffer.flip();
if (charBuffer.hasRemaining())
output.write(charBuffer.toString());
charBuffer.clear();
if (coderResult.isError()) {
error = true;
byteBuffer.position(byteBuffer.position() + coderResult.length()); // ignore invalid byte sequence
}
return error;
}
要注意byteBuffer的大小不能太小以至于比一个字符的最大字节数还要小,比如说utf-8的每个字符最多可能占用4个字节,如果设置byteBuffer的大小为3,解码结果可能总是CoderResult.UNDERFLOW,但是又无法再往byteBuffer填充数据,因而会出现死循环。
另外要注意的是,程序可能得到错误的结果,如:
String s = "abc中国";
byte[] utf8Bytes = s.getBytes(Charset.forName("utf-8"));
byte[] gbkBytes = s.getBytes(Charset.forName("gbk"));
CharArrayWriter writer = new CharArrayWriter();
System.out.println(decode(new ByteArrayInputStream(utf8Bytes), writer, Charset.forName("utf-8")));
System.out.println(writer.toString());
writer = new CharArrayWriter();
System.out.println(decode(new ByteArrayInputStream(utf8Bytes), writer, Charset.forName("gbk")));
System.out.println(writer.toString());
输出结果:
Java代码
true
abc中国
true
abc涓 浗
可以看到用utf-8编码的字节流仍然可以用gbk进行解码,但是解码的结果却不对。这是偶然情况,将字符串换成"中国人",则用gbk就不能解码了。