Java检测文件是否UTF8编码
介绍UTF-8编码规则
- UTF-8 编码字符理论上可以最多到 6 个字节长, 然而 16 位 BMP 字符最多只用到 3 字节长. Bigendian UCS-4 字节串的排列顺序是预定的.
- 字节 0xFE 和 0xFF 在 UTF-8 编码中从未用到.
- 下列字节串用来表示一个字符. 用到哪个串取决于该字符在 Unicode 中的序号.
- U-00000000 - U-0000007F: 0xxxxxxx
- U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
- U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
- U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
- U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
- U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
- xxx 的位置由字符编码数的二进制表示的位填入. 越靠右的 x 具有越少的特殊意义. 只用最短的那个足够表达一个字符编码数的多字节串. 注意在多字节串中, 第一个字节的开头"1"的数目就是整个串中字节的数目.
- 例如: Unicode 字符 U+00A9 = 1010 1001 (版权符号) 在 UTF-8 里的编码为:
- 11000010 10101001 = 0xC2 0xA9
- 而字符 U+2260 = 0010 0010 0110 0000 (不等于) 编码为:
- 11100010 10001001 10100000 = 0xE2 0x89 0xA0
- 特殊规则: 文件头三个字节用16进制表示是EFBBBF, 此规则不通用, 由编辑工具定义.
- 这种编码的官方名字拼写为 UTF-8, 其中 UTF 代表 UCS Transformation Format. 请勿在任何文档中用其他名字 (比如 utf8 或 UTF_8) 来表示 UTF-8, 当然除非你指的是一个变量名而不是这种编码本身.
复制代码
源码实现:
- package com.yy.game.test;
- import java.io.BufferedInputStream;
- import java.io.File;
- import java.io.FileInputStream;
- import java.io.IOException;
- import java.io.InputStream;
- import java.nio.CharBuffer;
- import java.nio.MappedByteBuffer;
- import java.nio.channels.FileChannel;
- import java.nio.channels.FileChannel.MapMode;
- import java.nio.charset.Charset;
- import java.nio.charset.CharsetDecoder;
- import java.nio.charset.CoderResult;
- public class UTF8Checker {
- public static void main(String[] args) throws IOException {
- File dir = new File("F:\\test");
- for (File file : dir.listFiles()) {
- System.out.format("%s: %s, %s%n", file, check(file), check2(file));
- }
- }
- /**
- * JDK自带API实现
- */
- @SuppressWarnings("resource")
- public static boolean check2(File file) throws IOException {
- long start = System.nanoTime();
- FileChannel fc = null;
- try {
- fc = new FileInputStream(file).getChannel();
- MappedByteBuffer buf = fc.map(MapMode.READ_ONLY, 0, fc.size());
- Charset utf8 = Charset.forName("UTF-8");
- CharsetDecoder decoder = utf8.newDecoder();
- CharBuffer cbuf = CharBuffer.allocate((int) (buf.limit() * decoder.averageCharsPerByte()));
- CoderResult result = decoder.decode(buf, cbuf, true);
- return !result.isError();
- } finally {
- if (fc != null) {
- fc.close();
- }
- long end = System.nanoTime();
- System.out.println("used(ns):" + (end - start));
- }
- }
- /**
- * 自定义实现
- */
- public static boolean check(File file) throws IOException {
- long start = System.nanoTime();
- InputStream in = null;
- try {
- in = new BufferedInputStream(new FileInputStream(file));
- StreamBuffer sbuf = new StreamBuffer(in, 1024);
- if (sbuf.next() == 0xEF && sbuf.next() == 0xBB && sbuf.next() == 0xBF) {
- return true;
- }
- sbuf.redo();
- // 1. U-00000000 - U-0000007F: 0xxxxxxx
- // 2. U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
- // 3. U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
- // 4. U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
- // 5. U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
- // 6. U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
- for (int ch = 0; (ch = sbuf.next()) != -1;) {
- int n = 0;
- if (ch <= 0x7F) {
- n = 1;
- } else if (ch <= 0xBF) {
- return false;
- } else if (ch <= 0xDF) {
- n = 2;
- } else if (ch <= 0xEF) {
- n = 3;
- } else if (ch <= 0xF7) {
- n = 4;
- } else if (ch <= 0xFB) {
- n = 5;
- } else if (ch <= 0xFD) {
- n = 6;
- } else {
- return false;
- }
- while (--n > 0) {
- if ((sbuf.next() & 0x80) != 0x80) {
- return false;
- }
- }
- }
- return true;
- } finally {
- if (in != null) {
- in.close();
- }
- long end = System.nanoTime();
- System.out.println("used(ns):" + (end - start));
- }
- }
- static class StreamBuffer {
- final InputStream in;
- final byte[] buf;
- int pos = -1;// 初始值为-1,表示指针尚未移动.
- int len;
- public StreamBuffer(InputStream in, int size) {
- this.in = in;
- if (size < 3) {
- size = 3;
- }
- this.buf = new byte[size];
- }
- public void redo() {
- this.pos = 0;
- }
- public int next() throws IOException {
- if (len > 0 || pos < 0) {
- if (++pos == len) {
- if ((len = in.read(buf)) == 0) {
- return -1;
- }
- pos = 0;
- }
- return this.buf[this.pos] & 0xFF;
- } else {
- return -1;
- }
- }
- }
- }
复制代码
在本机测试, JDK原生API需要创建CharBuffer,性能明显慢了25%以上.
- used(ns):472420
- used(ns):4490075
- F:\test\b334d5fd-b8a7-48f4-9099-f6011c7e5a48.sql: true, true
- used(ns):122515
- used(ns):343490
- F:\test\b334d5fd-b8a7-48f4-9099-f6011c7e5a482.sql: false, false
- used(ns):55164
- used(ns):82425
- F:\test\test.sql: false, false
复制代码
Java检测文件是否UTF8编码的更多相关文章
- Java实现将任何编码方式的txt文件以UTF-8编码方式转存
本文利用JDK中的BufferedReader和BufferedWriter实现将任何编码方式的txt文件以UTF-8编码方式转存. UTF-8(8-bit Unicode Transformatio ...
- JAVA输出带BOM的UTF-8编码的文件
当从http 的response输出CSV文件的时候,设置为utf8的时候默认是不带bom的,可是windows的Excel是使用bom来确认utf8编码的,全部须要把bom写到文件的开头. 微软在 ...
- java中文GBK和UTF-8编码转换乱码的分析
原文:http://blog.csdn.net/54powerman/article/details/77575656 作者:54powerman 一直以为,java中任意unicode字符串,可以使 ...
- py2.7 批量转换文件为 utf8 编码
source insight 不支持 utf8 ,但是在 linux 上查看的时候是 utf8 编码,就会显示不正常,所以写了个 python 小脚本,可以批量转换 py2.7 #coding:utf ...
- java 将GBK编码文件转为UTF-8编码
需要commons-io-2.0.1.jar public class Test { public static void main(String args[]) throws IOException ...
- 2018-03-21 11:34:44 java脚本批量转换java utf-8 bom源码文件为utf-8编码文件
package com.springbootdubbo; import java.io.*;import java.util.ArrayList;import java.util.List; /** ...
- 使用Dom4j生成xml文件(utf-8编码)
xml文件内容: <?xml version="1.0" encoding="UTF-8"?> <result> <code> ...
- java检测文件内是否包含指定内容
package com.test; import java.io.BufferedReader; import java.io.FileInputStream; import java.io.File ...
- loadrunner将参数文件转换为UTF-8编码
在使用loadrunner进行参数化的时候,对于有些信息,比如地址.人名等,很多时候需要传入中文,但是有的时候会碰到字符编码不对导致脚本出错. 下面介绍两种loadrunner中可以使用的编码转化为U ...
随机推荐
- 输出1——n的排列(深度优先搜索)
样例输入: 3 样例输出: 123132213231312321 #include <stdio.h> int n; void dfs(int step,int* a,int* book) ...
- oracle权限
Oracle 权限 权限允许用户访问属于其它用户的对象或执行程序,ORACLE系统提供三种权限:Object 对象级.System 系统级.Role 角色级.这些权限可以授予给用户.特殊用户publi ...
- 详解android.mk-2016.01.18
1 Android.mk作用 当使用JNI开发时,我们需要创建一个native工程,Android.mk就是一个makefile的配置文件,帮助我们把编写的C/C++代码编译成动态或者静态的链接库. ...
- 七、TCP/IP协议
1.定义: TCP/IP模型也被称作DoD模型(Department of Defense Model).TCP/IP字面上代表了两个协议:TCP(传输控制协议)和IP(网际协议). TCP/IP协议 ...
- rel=nofollow
nofollow是什么意思? nofollow是html标签的一个属性值,Google推荐使用nofollow,告诉机器(爬虫)无需追踪目标页,是指禁止蜘蛛爬行和传递权重,但是如果你是通过sitema ...
- Linux之samba搭建
参考资料: http://www.cnblogs.com/mchina/archive/2012/12/18/2816717.html
- javaSE第十天
第十天 57 1. 形式参数和返回值的问题(理解) 57 (1)形式参数: 57 (2)返回值类型: 57 (3)链式编程 57 2. 包(理解) 57 (1)其实 ...
- Mysql远程登录授权
1.改表法. 请使用mysql管理工具,如:SQLyog Enterprise 可能是你的帐号不允许从远程登陆,只能在localhost.这个时候只要在localhost的那台电脑使用mysql管理工 ...
- MyEclipse 选中属性或方法后 相同的不变色了?
MyEclipse 选中属性或方法后 相同的不变色了? myeclipse-->windows-->java-->Editor-->Mark Occurrences 把所有的框 ...
- C#winform设置DateTimePicker的时间格式
在对DateTimePicker进行时间格式设置时候,要先对属性Format设置为"Custom"自定义格式,然后再CustomFormat里面进行格式设置 比如"yyy ...