`
zhifeiji512
  • 浏览: 119313 次
  • 性别: Icon_minigender_1
  • 来自: 北京
社区版块
存档分类
最新评论

java使用jchardet检测文本文件(字节流)的编码方式

 
阅读更多

有时需要InputStreamReader(InputStream in, Charset cs)这个构造来处理字符流。然而Charset不一定知道。这个时候就需要检测编码方式了。jchardet是firefox使用的字节流编码检测算法的java开源实现,协议为MPL(Mozilla Public License),对商业友好。下载源代码后发现示例并不怎么好使用,于是封装了一下。下面就封装类和使用Demo。


CharsetDetector 这个封装了内部实现,用户直接new这个类就可以检测字节流编码

 

import java.io.BufferedInputStream;
import java.io.IOException;
import java.io.InputStream;
import org.mozilla.intl.chardet.nsDetector;
import org.mozilla.intl.chardet.nsICharsetDetectionObserver;
import org.mozilla.intl.chardet.nsPSMDetector;

public class CharsetDetector
{

    private boolean found = false;
    private String result;
    private int lang;

    public String[] detectChineseCharset(InputStream in) throws IOException
    {
        lang = nsPSMDetector.CHINESE;
        String[] prob;
        // Initalize the nsDetector() ;
        nsDetector det = new nsDetector(lang);
        // Set an observer...
        // The Notify() will be called when a matching charset is found.

        det.Init(new nsICharsetDetectionObserver()
        {

            public void Notify(String charset)
            {
                found = true;
                result = charset;
            }
        });
        BufferedInputStream imp = new BufferedInputStream(in);
        byte[] buf = new byte[1024];
        int len;
        boolean isAscii = true;
        while ((len = imp.read(buf, 0, buf.length)) != -1)
        {
            // Check if the stream is only ascii.
            if (isAscii)
                isAscii = det.isAscii(buf, len);
            // DoIt if non-ascii and not done yet.
            if (!isAscii)
            {
                if (det.DoIt(buf, len, false))
                    break;
            }
        }
        imp.close();
        in.close();
        det.DataEnd();
        if (isAscii)
        {
            found = true;
            prob = new String[]
                    {
                        "ASCII"
                    };
        } else if (found)
        {
            prob = new String[]
                    {
                        result
                    };
        } else
        {
            prob = det.getProbableCharsets();
        }
        return prob;
    }

    public String[] detectAllCharset(InputStream in) throws IOException
    {
        try
        {
            lang = nsPSMDetector.ALL;
            return detectChineseCharset(in);
        } catch (IOException e)
        {
            throw e;
        }
    }
}

 

Demo:这个演示CharsetDetector用法示例

 

import java.io.IOException;
import java.net.URL;

public class Demo
{
    public static void main(String[] args)throws IOException
    {
        CharsetDetector charDect = new CharsetDetector();
        URL url = new URL("http://www.qq.com/");
        String[] probableSet = charDect.detectChineseCharset(url.openStream());
        for (String charset : probableSet)
        {
            System.out.println(charset);
        }
    }
}

 

附件为封装后的jar包

如果编码选择是 Unicode ,则检测的结果是 windows-1252

分享到:
评论

相关推荐

    java使用jchardet检测文本文件(字节流)的编码方式(转)

    NULL 博文链接:https://nopainnogain.iteye.com/blog/771041

    字节流编码获取

    在处理字节流编码时,我们通常会遇到诸如字符集、字节顺序标记(BOM)、解码与编码的过程等概念。下面我们将深入探讨这些知识点。 首先,让我们了解什么是字节流。字节流是计算机处理数据的一种方式,无论是文件...

    jchardet-1.1

    在信息技术领域,正确识别和处理文本文件的编码方式至关重要。不同的编码方式决定了字符集中的字符如何被数字化表示,从而影响到程序对文本的理解和处理。`jchardet-1.1` 是一个专门用于检测文件编码的Java库,源自...

    java 获取文件编码

    在Java编程语言中,获取文件编码是一个常见的任务,特别是在处理文本文件时,了解正确的编码格式至关重要,因为不同的编码方式会影响字符的表示和解析。本文将深入探讨如何在Java中识别和处理不同类型的文本编码,如...

    使用cpdetector 三方库读取文件编码

    3. **创建探测器**:创建`CharsetDetector`对象,并设置要检测的字节流,通常是从文件中读取的字节。 ```java CharsetDetector detector = new CharsetDetector(); detector.setText(fileInputStream); ``` 4. **...

    Java 自动识别编码

    "Java 自动识别编码"这个主题涉及到的是Java编程语言如何自动检测文本文件或数据流的字符编码方式,以便正确地读取和解析其中的内容。下面将详细探讨这个知识点。 首先,Java中的`Charset`类是处理字符编码的基础,...

    获取文件编码格式与文件转码

    - **使用工具库**:Java和Android中有多种库可以帮助我们检测文件编码,如`jChardet`、`ICU4J`等。它们利用统计学模型分析文件内容来猜测编码。 - **编程实现**:例如在Android中,可以自定义函数读取文件部分内容...

    cpdetector:自动获取字符流文件编码

    《深入理解Java中的cpdetector:自动检测字符流文件编码》 在Java开发中,处理文本文件时,我们经常需要知道文件的编码格式,以便正确读取和解析文件内容。"cpdetector"是一个实用的工具库,它能自动检测文本文件的...

    网页编码解析包(chardet.jar,cpdetector_1.0.7.jar)

    网页编码是互联网上数据传输和显示的关键环节,不同的编码方式会影响网页内容的正确解析和显示。本压缩包提供了两个用于自动识别网页编码的Java库:`chardet.jar` 和 `cpdetector_1.0.7.jar`。下面将详细阐述这两个...

    cpdetector antlr chardet jar包

    `cpdetector`通过分析文件内容的字节模式来判断其可能的编码方式,帮助开发者避免因为编码问题导致的乱码问题。 `antlr`,全称是ANother Tool for Language Recognition,是一个强大的解析器生成器。它可以为各种...

Global site tag (gtag.js) - Google Analytics