Java Charset的使用

 大多数文本编辑器在打开文件时都能够自动检测文件的编码，那它是怎样做到的？我虽然没有实现过一个文本编辑器，但是可以猜测的是，它有一个默认的编码集合，然后尝试用每一个编码去解码打开的文件，如果能够解码则表示这就是文件的正确编码。有一些特殊情况，有些编码在文件开头有特殊的标记字节，因而可以很快检测，这里不考虑。现在的核心问题就是如何决定一个编码是否能够解码一个文件，在Java1.4中可以利用nio中的Charset来解决这个问题。

/** 
* 测试输入字节流是否能够使用指定的字符集解码。 
*/ 
public static boolean canDecode(InputStream input, Charset charset) throws IOException {   
    ReadableByteChannel channel = Channels.newChannel(input);   
    CharsetDecoder decoder = charset.newDecoder();   

    ByteBuffer byteBuffer = ByteBuffer.allocate(2048);   
    CharBuffer charBuffer = CharBuffer.allocate(1024);   

    boolean endOfInput = false;   
    while (!endOfInput) {   
        int n = channel.read(byteBuffer);   
        byteBuffer.flip(); // flip so it can be drained   
           
        endOfInput = (n == -1);   
        CoderResult coderResult = decoder.decode(byteBuffer, charBuffer, endOfInput);   
        charBuffer.clear();   
        if (coderResult == CoderResult.OVERFLOW) {   
            while (coderResult == CoderResult.OVERFLOW) {   
                coderResult = decoder.decode(byteBuffer, charBuffer, endOfInput);   
                charBuffer.clear();   
            }   
        }   
        if (coderResult.isError()) {   
            return false;   
        }   
        byteBuffer.compact(); // compact so it can be refilled   
    }   
    CoderResult coderResult;   
    while ((coderResult = decoder.flush(charBuffer)) == CoderResult.OVERFLOW) {   
        charBuffer.clear();   
    }   
    if (coderResult.isError()) {   
        return false;   
    }   
       
    return true;   
} 

要理解上面的代码必须熟悉对Buffer和Channel的操作以及解码的过程。上面的代码只是决定能不能解码，下面代码能够解码出的内容写到字符输出流中（也就是Writer)，它要更复杂一些。

Java代码
/** 
* 使用指定的字符集解码字节输入流，并将它写入到字符输出流中，如果发生解码错误则返回false，否则返回true， 
* 输入中的无效字节序列将被忽略。 
*/ 
public static boolean decode(InputStream input, Writer output, Charset charset) throws IOException {   
    ReadableByteChannel channel = Channels.newChannel(input);   
    CharsetDecoder decoder = charset.newDecoder();   

    ByteBuffer byteBuffer = ByteBuffer.allocate(2048);   
    CharBuffer charBuffer = CharBuffer.allocate(1024);   

    boolean endOfInput = false;   
    boolean error = false;   
    while (!endOfInput) {   
        int n = channel.read(byteBuffer);   
        byteBuffer.flip(); // flip so it can be drained   
           
        endOfInput = (n == -1);   
        CoderResult coderResult = decoder.decode(byteBuffer, charBuffer, endOfInput);   
        error = drainCharBuffer(error, byteBuffer, charBuffer, coderResult, output);   
        if (coderResult != CoderResult.UNDERFLOW) {   
            while (coderResult != CoderResult.UNDERFLOW) {   
                coderResult = decoder.decode(byteBuffer, charBuffer, endOfInput);   
                error = drainCharBuffer(error, byteBuffer, charBuffer, coderResult, output);   
            }   
        }   
        byteBuffer.compact(); // compact so it can be refilled   
    }   
    CoderResult coderResult;   
    while ((coderResult = decoder.flush(charBuffer)) != CoderResult.UNDERFLOW) {   
        error = drainCharBuffer(error, byteBuffer, charBuffer, coderResult, output);   
    }   
    error = drainCharBuffer(error, byteBuffer, charBuffer, coderResult, output);   
       
    output.flush();   
    return !error;   
}   

private static boolean drainCharBuffer(boolean error, ByteBuffer byteBuffer,    
        CharBuffer charBuffer, CoderResult coderResult, Writer output) throws IOException {   
    // write charBuffer to output   
    charBuffer.flip();   
    if (charBuffer.hasRemaining())   
        output.write(charBuffer.toString());   
    charBuffer.clear();   
       
    if (coderResult.isError()) {   
        error = true;   
        byteBuffer.position(byteBuffer.position() + coderResult.length()); // ignore invalid byte sequence   
    }   
    return error;   
} 

要注意byteBuffer的大小不能太小以至于比一个字符的最大字节数还要小，比如说utf-8的每个字符最多可能占用4个字节，如果设置byteBuffer的大小为3，解码结果可能总是CoderResult.UNDERFLOW，但是又无法再往byteBuffer填充数据，因而会出现死循环。

另外要注意的是，程序可能得到错误的结果，如：

String s = "abc中国";   
byte[] utf8Bytes = s.getBytes(Charset.forName("utf-8"));   
byte[] gbkBytes = s.getBytes(Charset.forName("gbk"));   
CharArrayWriter writer = new CharArrayWriter();   
System.out.println(decode(new ByteArrayInputStream(utf8Bytes), writer, Charset.forName("utf-8")));   
System.out.println(writer.toString());   
writer = new CharArrayWriter();   
System.out.println(decode(new ByteArrayInputStream(utf8Bytes), writer, Charset.forName("gbk")));   
System.out.println(writer.toString());  

输出结果：
Java代码
true 
abc中国   
true 
abc涓 浗

可以看到用utf-8编码的字节流仍然可以用gbk进行解码，但是解码的结果却不对。这是偶然情况，将字符串换成"中国人"，则用gbk就不能解码了。