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
方案一、 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bom
# 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);
- ...
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