背景:
java普通的文件读取方式对于bom是无法正常识别的。
使用普通的InputStreamReader,如果采用的编码正确,那么可以获得正确的字符,但bom仍然附带在结果中,很容易导致数据处理出错。
另外,对于存在BOM头的文件,无法猜测它使用的编码。
目标:
实现一种方式,可对BOM头进行捕捉和过滤
解决方案有二:
一、 使用apache的工具类,以BOMStream为例:
BOMStream,api参考:http://commons.apache.org/io/apidocs/org/apache/commons/io/input/BOMInputStream.html
该类的构造方式:
BOMInputStream bomIn = new BOMInputStream(in) //仅能检测到UTF8的bom,且在流中exclude掉bom
BOMInputStream bomIn = new BOMInputStream(in, include); //同上,且指定是否包含
也可以指定检测多种编码的bom,但目前仅支持UTF-8/UTF-16LE/UTF-16BE三种,对于UTF32之类不支持。
BOMInputStream bomIn = new BOMInputStream(in, ByteOrderMark.UTF_16LE, ByteOrderMark.UTF_16BE);
有用的方法:
bomIn.hasBOM()、hasBOM(ByteOrderMask.**)可用于判断当前流中是否检测到了bom。
读取文件示例:
FileInputStream fis = new FileInputStream(file);
//可检测多种类型,并剔除bom
BOMInputStream bomIn = new BOMInputStream(in, false,ByteOrderMark.UTF-8, ByteOrderMark.UTF_16LE, ByteOrderMark.UTF_16BE);
String charset = "utf-8";
//若检测到bom,则使用bom对应的编码
if(bomIn.hasBOM()){
charset = bomIn.bs.getBOMCharsetName();
}
InputStreamReader reader = new InputStreamReader(bomIn, charset);
...
二、使用一个更强大点的工具类(可以支持UTF-8/UTF-16LE/UTF-16BE/UTF-32LE/UTF-32BE):
参考地址:http://koti.mbnet.fi/akini/java/unicodereader/, 下载其中两个文件:UnicodeStream和UnicodeReader
以UnicodeReader为例:
FileInputStream fis = new FileInputStream(file);
UnicodeReader ur = new UnicodeReader(fis, "utf-8");
BufferedReader br = new BufferedReader(ur);
...
相较于Apache的工具类,这里的UnicodeReader 支持更多的BOM编码。
源码解读:
UnicodeReader 通过PushbackInputStream+InputStreamReader实现BOM的自动检测和过滤读取;
当没有检测到BOM时,pushback流将回退,并采用构造函数传入的编码进行读取。
否则使用BOM对应的编码进行读取。
相对来说,第二种方式更加轻量和强大;另外也更加透明,可以随便修改源码来实现自己的需求。
原文地址:http://blog.csdn.net/littleatp2008/article/details/6943215