Java 自動檢測文件編碼格式：從 BOM 識別到 cpdetector 實戰

編碼檢測核心原理

文本文件開頭 3 個位元組可能包含編碼標識（BOM）。讀取前 3 字節，判斷其值即可識別編碼。中文環境下常見 GBK（Windows 預設）與 UTF-8 兩種。

UTF-8 BOM 直接判斷法

UTF-8 檔案前 3 字節固定為：-17, -69, -65（即十六進制 EF BB BF）。

File file = new File(path);
InputStream is = new FileInputStream(file);
byte[] b = new byte[3];
is.read(b);
is.close();

if (b[0] == -17 && b[1] == -69 && b[2] == -65) {
    System.out.println("UTF-8 編碼");
} else {
    System.out.println("可能是 GBK 或其他編碼");
}

通用解決方案：cpdetector 庫

適用於編碼不可控場景（用戶上傳 HTML/XML 等）。cpdetector 僅 500KB，基於統計學原理，支援多種探測器鏈。

核心代碼實現

public static String getFileEncode(String path) {
    CodepageDetectorProxy detector = CodepageDetectorProxy.getInstance();
    
    // HTML/XML 解析探測器
    detector.add(new ParsingDetector(false));
    // Mozilla JChardet 封裝，覆蓋大多數情況
    detector.add(JChardetFacade.getInstance());
    // ASCII 與 Unicode 家族探測器
    detector.add(ASCIIDetector.getInstance());
    detector.add(UnicodeDetector.getInstance());
    
    Charset charset = detector.detectCodepage(new File(path).toURI().toURL());
    return charset != null ? charset.name() : null;
}

依賴 JAR 包

• antlr.jar
• chardet.jar
• cpdetector.jar

⚠️ cpdetector 基於統計學，不保證 100% 正確。

進階用法：檢測輸入流編碼

charset = detector.detectCodepage(InputStream in, int length);

指定檢測字節數，字節越多越準確但越慢，不可超過流長度。

實戰應用：Properties 文件中文亂碼解決

Properties.load() 使用 ISO-8859-1 讀取，導致中文亂碼。解決方案：

String value = props.getProperty("key");
String realValue = new String(value.getBytes("ISO-8859-1"), 实际编码);

實際編碼即可用上述方法自動檢測獲得。

實用工具方法

// 獲取 JVM 支援的所有編碼
Charset.availableCharsets().keySet();

// 獲取系統預設編碼
Charset.defaultCharset();

掌握編碼檢測，告別亂碼困擾。