Java 判断文件是否为文本文件及获取文件编码格式的方法实例

工程师 (已认证)

原创分享签约作者

发表于实例源码

9151

我们经常会遇到读取文件内容的情况，就需要判断文件是否为文本文件，及文件编码格式，防止乱码出现。
根据文件扩展名判定不太准确，可能会遇到未知扩展名或被修改了扩展名，下面的测试类使用文件头来判断，两个方法是：
1、判断文件是否为文本格式的文件 - isText

2、获取文件的编码格式 - getFilecharset

我们可以看下面实例代码，并可以在线测试一下。

实例源码：

源代码：

执行

执行中...

import java.io.BufferedInputStream;
import java.io.File;
import java.io.FileInputStream;

public class TestFile {

public static void main(String[] args) {
		File test = new File("/var/log/btmp");
		boolean isText = isText(test);
		System.out.println(isText);

if (isText) {
			String charset = getFileCharset(test);
			System.out.println(charset);
		}
	}

/**
	 * 判断文件是否为文本格式的文件
	 * 
	 * @param file
	 * @return
	 */
	private static boolean isText(File file) {
		boolean isText = true;
		try {
			FileInputStream fin = new FileInputStream(file);
			long len = file.length();
			for (int j = 0; j < (int) len; j++) {
				int t = fin.read();
				if (t < 32 && t != 9 && t != 10 && t != 13) {
					isText = false;
					break;
				}
			}
		} catch (Exception e) {
			e.printStackTrace();
		}
		return isText;
	}

/**
	 * 获取文件的编码格式
	 * 
	 * @param sourceFile
	 * @return
	 */
	private static String getFileCharset(File sourceFile) {
		String charset = "GBK";
		byte[] first3Bytes = new byte[3];
		try {
			boolean checked = false;
			BufferedInputStream bis = new BufferedInputStream(new FileInputStream(sourceFile));
			bis.mark(0);
			int read = bis.read(first3Bytes, 0, 3);
			if (read == -1) {
				return charset; // 文件编码为 ANSI
			} else if (first3Bytes[0] == (byte) 0xFF && first3Bytes[1] == (byte) 0xFE) {
				charset = "UTF-16LE"; // 文件编码为 Unicode
				checked = true;
			} else if (first3Bytes[0] == (byte) 0xFE && first3Bytes[1] == (byte) 0xFF) {
				charset = "UTF-16BE"; // 文件编码为 Unicode big endian
				checked = true;
			} else if (first3Bytes[0] == (byte) 0xEF && first3Bytes[1] == (byte) 0xBB
					&& first3Bytes[2] == (byte) 0xBF) {
				charset = "UTF-8"; // 文件编码为 UTF-8
				checked = true;
			}
			bis.reset();
			if (!checked) {
				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;
/**代码未完, 请加载全部代码(NowJava.com).**/

​x
 
import java.io.BufferedInputStream;
import java.io.File;
import java.io.FileInputStream;
​
public class TestFile {
​
    public static void main(String[] args) {
        File test = new File("/var/log/btmp");
        boolean isText = isText(test);
        System.out.println(isText);
​
        if (isText) {
            String charset = getFileCharset(test);
            System.out.println(charset);
        }
    }
​
    /**
     * 判断文件是否为文本格式的文件
     * 
     * @param file
     * @return
     */
    private static boolean isText(File file) {
        boolean isText = true;
        try {
            FileInputStream fin = new FileInputStream(file);
            long len = file.length();
            for (int j = 0; j < (int) len; j++) {
                int t = fin.read();
                if (t < 32 && t != 9 && t != 10 && t != 13) {
                    isText = false;
                    break;
                }
            }
        } catch (Exception e) {
            e.printStackTrace();
        }
        return isText;
    }
​
    /**
     * 获取文件的编码格式
     * 
     * @param sourceFile
     * @return
     */
    private static String getFileCharset(File sourceFile) {
        String charset = "GBK";
        byte[] first3Bytes = new byte[3];
        try {
            boolean checked = false;
            BufferedInputStream bis = new BufferedInputStream(new FileInputStream(sourceFile));
            bis.mark(0);
            int read = bis.read(first3Bytes, 0, 3);
            if (read == -1) {
                return charset; // 文件编码为 ANSI
            } else if (first3Bytes[0] == (byte) 0xFF && first3Bytes[1] == (byte) 0xFE) {
                charset = "UTF-16LE"; // 文件编码为 Unicode
                checked = true;
            } else if (first3Bytes[0] == (byte) 0xFE && first3Bytes[1] == (byte) 0xFF) {
                charset = "UTF-16BE"; // 文件编码为 Unicode big endian
                checked = true;
            } else if (first3Bytes[0] == (byte) 0xEF && first3Bytes[1] == (byte) 0xBB
                    && first3Bytes[2] == (byte) 0xBF) {
                charset = "UTF-8"; // 文件编码为 UTF-8
                checked = true;
            }
            bis.reset();
            if (!checked) {
                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;
/**代码未完, 请加载全部代码(NowJava.com).**/