Java 如何在不使用BOM表且以非ASCII字符开头的情况下识别文件的不同编码？

我在尝试识别没有BOM表的文件的编码时遇到了问题，特别是当文件以非ascii字符开头时

我发现了以下两个关于如何识别文件编码的主题

目前，我创建了一个类来标识文件的不同编码（例如UTF-8、UTF-16、UTF-32、UTF-16无BOM等），如下所示：

public class UnicodeReader extends Reader {
private static final int BOM_SIZE = 4;
private final InputStreamReader reader;

/**
 * Construct UnicodeReader
 * @param in Input stream.
 * @param defaultEncoding Default encoding to be used if BOM is not found,
 * or <code>null</code> to use system default encoding.
 * @throws IOException If an I/O error occurs.
 */
public UnicodeReader(InputStream in, String defaultEncoding) throws IOException {
    byte bom[] = new byte[BOM_SIZE];
    String encoding;
    int unread;
    PushbackInputStream pushbackStream = new PushbackInputStream(in, BOM_SIZE);
    int n = pushbackStream.read(bom, 0, bom.length);

    // Read ahead four bytes and check for BOM marks.
    if ((bom[0] == (byte) 0xEF) && (bom[1] == (byte) 0xBB) && (bom[2] == (byte) 0xBF)) {
        encoding = "UTF-8";
        unread = n - 3;
    } else if ((bom[0] == (byte) 0xFE) && (bom[1] == (byte) 0xFF)) {
        encoding = "UTF-16BE";
        unread = n - 2;
    } else if ((bom[0] == (byte) 0xFF) && (bom[1] == (byte) 0xFE)) {
        encoding = "UTF-16LE";
        unread = n - 2;
    } else if ((bom[0] == (byte) 0x00) && (bom[1] == (byte) 0x00) && (bom[2] == (byte) 0xFE) && (bom[3] == (byte) 0xFF)) {
        encoding = "UTF-32BE";
        unread = n - 4;
    } else if ((bom[0] == (byte) 0xFF) && (bom[1] == (byte) 0xFE) && (bom[2] == (byte) 0x00) && (bom[3] == (byte) 0x00)) {
        encoding = "UTF-32LE";
        unread = n - 4;
    } else {
        // No BOM detected but still could be UTF-16
        int found = 0;
        for (int i = 0; i < 4; i++) {
            if (bom[i] == (byte) 0x00)
                found++;
        }

        if(found >= 2) {
            if(bom[0] == (byte) 0x00){
                encoding = "UTF-16BE";
            }
            else {
                encoding = "UTF-16LE";
            }
            unread = n;
        }
        else {
            encoding = defaultEncoding;
            unread = n;
        }
    }

    // Unread bytes if necessary and skip BOM marks.
    if (unread > 0) {
        pushbackStream.unread(bom, (n - unread), unread);
    } else if (unread < -1) {
        pushbackStream.unread(bom, 0, 0);
    }

    // Use given encoding.
    if (encoding == null) {
        reader = new InputStreamReader(pushbackStream);
    } else {
        reader = new InputStreamReader(pushbackStream, encoding);
    }
}

public String getEncoding() {
    return reader.getEncoding();
}

public int read(char[] cbuf, int off, int len) throws IOException {
    return reader.read(cbuf, off, len);
}

public void close() throws IOException {
    reader.close();
}

}

上述代码可以在所有情况下正常工作，但文件没有BOM且以非ascii字符开头时除外。因为在这种情况下，检查文件是否仍然是没有BOM的UTF-16的逻辑将无法正常工作，编码将设置为默认的UTF-8

是否有办法检查没有BOM的文件编码和使用非ascii字符的BEGGIN，尤其是UTF-16无BOM文件

---

谢谢，如果您有任何想法，我们将不胜感激。

一般来说，如果不提供编码，我们无法确定编码

您可以根据文本中的特定模式（高位集、集、集、非集、集、集、集、非集）猜测UTF-8，但这仍然是一个猜测

UTF-16是一个硬的；您可以成功解析同一流上的BE和LE；这两种方式都会产生一些字符（尽管可能是无意义的文本）

---

有些代码使用统计分析来猜测符号频率的编码，但这需要对文本（即“这是蒙古语文本”）和频率表（可能与文本不匹配）进行一些假设。归根结底，这仍然只是一个猜测，在100%的情况下都是无济于事的。

最好的方法是不要自己尝试并实现这一点。而是使用现有的库来实现这一点；看见例如：

应该注意的是，最好的办法是猜测文件最可能的编码。在一般情况下，不可能100%确定您已经找到了正确的编码；i、 e.创建文件时使用的编码

---

---

我想说，这些第三方库也无法识别我遇到的文件的编码[…]，它们可以改进以满足我的要求

或者，您可以认识到您的要求非常难以满足。。。改变它；e、 g

• 将自己限制在一组特定的编码中
• 坚持要求提供/上传文件的人员正确说明其编码（或主要语言），和/或
• 接受您的系统在一定程度上会出错的事实，并提供有人可以纠正错误陈述/猜测的编码的方法

---

面对事实：这是一个理论上无法解决的问题。

如果您确定它是一个有效的Unicode流，那么如果它没有BOM（因为BOM既不是必需的，也不是推荐的），那么它必须是UTF-8，如果它确实有BOM，那么您知道它是什么

如果只是一些随机编码，就无法确定。你所能期望的最好的结果就是，你只能偶尔犯错，因为不可能在所有情况下都猜对

如果您可以将可能性限制在非常小的子集

唯一可靠的方法是要求提供商告诉您他们提供了什么。如果你想要完全的可靠性，那是你唯一的选择。如果你不要求可靠性，那么你就猜——但有时猜错了

---

我觉得你一定是一个喜欢Windows的人，因为我们其他人一开始很少有理由使用Bom。我知道我经常处理大量的文本（在Mac、Linux、Solaris和BSD系统上），其中99%以上是UTF-8，我只遇到过两次充满BOM的文本。不过，我听说Windows用户一直被它所困扰。如果为真，这可能会使您的选择更容易。

正如您所说，源文件不确定，因为我们的产品支持多种语言。启发式。。。在很多情况下，它都是由很多程序完成的（Unx*file命令就是一个很好的例子）。我已经“手动”完成了（重新发明了我自己的轮子，效果很好），但现在我只接受“Stephen C”的答案：重新使用已经在做的现有代码。@SyntaxT3rr0r:是的，这是解决这个问题的一个好方法。由于我们在产品中引入第三方库的局限性，我更愿意通过改进我提供的代码来处理它。是的，你是对的。因为我要处理的文件是XML类型的，所以我将尝试从XML文件中读取XML处理简介，以获取传递给InputStream对象的编码信息。如果在没有BOM的情况下无法从XML文件中获取编码，请使用默认编码（即UTF-8）作为其编码。@Eason:那么很容易，因为XML必须具有编码。你真幸运！我想说，这些第三方库也无法识别我遇到的文件的编码。无论如何，谢谢你的信息，他们可以改进以满足我的要求。