问题描述
我有一个旨在检测大文件编码的程序。 我试图通过从文件中采样一些数据(不想读取所有数据,因为它的大小)并检测样本编码来做到这一点,但我意识到它不是很稳定..
例如,我在 UTF-8
文件中看到此行为:
-
读取前 2000 个字节:UTF-8
-
读取前 4000 个字节:UTF-16
-
读取前 8000 个字节:再次UTF-8
对这种行为有什么解释吗?
谢谢!
[编辑]:
这是相关代码:
private static final List<String> encodings = Arrays.asList(StandardCharsets.UTF_8.name(),StandardCharsets.UTF_16.name(),StandardCharsets.UTF_16LE.name(),StandardCharsets.UTF_16BE.name());
private String tryDecodeMultipleEncodings(InputStream inputStream) throws IOException {
byte[] bytes = new byte[BUFFER_LENGTH];
inputStream.read(bytes);
return tryDecodeMultipleEncodings(bytes);
}
private String tryDecodeMultipleEncodings(byte[] buffer) throws CharacterCodingException {
for (String encoding : encodings) {
if (tryDecode(buffer,encoding)) {
return encoding;
}
}
// LOG.warn("Failed decoding input,tried [" + String.join(",",encodings) + "]");
throw new CharacterCodingException();
}
解决方法
暂无找到可以解决该程序问题的有效方法,小编努力寻找整理中!
如果你已经找到好的解决方法,欢迎将解决方案带上本链接一起发送给小编。
小编邮箱:dio#foxmail.com (将#修改为@)