字符集编码的自动识别jchardet

什么是jchardet?

jchardet是mozilla自动字符集探测算法代码的java移植,其源代码可以从sourceforge下载。这个算法的最初作者是frank
Tang,C++源代码在http://www.infomall.cn/cgi-bin/mallgate/20040514/http://lxr.mozilla.org/mozilla/source/intl/chardet/，可以从http://www.infomall.cn/cgi-bin/mallgate/20040514/http://www.mozilla.org/projects/intl/chardet.html得到更多关于这个算法的信息。

编译及应用

　　将下载后的chardet.zip解压缩后，到~/mozilla/intl/chardet/java/目录下，运行ant即可在dist/lib目录下生成chardet.jar，将这个jar包加入CLASSPATH.然后

运行：java org.mozilla.intl.chardet.HtmlCharsetDetector http://hedong.3322.org
结果：CHARSET = GB18030

运行：java org.mozilla.intl.chardet.HtmlCharsetDetector http://www.wesnapcity.com/
结果：CHARSET = ASCII

运行：java org.mozilla.intl.chardet.HtmlCharsetDetector http://www.wesnapcity.com/blog/
结果：CHARSET = UTF-8

jchardet主要解决什么样的问题？

　　Java字符串（及字符）类以Unicode编码保存数据。当处理来自外部的国际性文本时，我们需要提供关于这些文本的编码，以便准确地将它们转换为Unicode。这意味着你必须知道你的java代码要处理的所有文件的编码。许多基于Internet的Java应用程序，要处理来自随机数据源的数据，而很多数据的编码不能确切的知道。例如，一个HTML页面中的数据，如果没有元数据标签明确地指定页面的字符集，就很难确实其编码，将其转换为Java
Unicode字符串时也会误用而终止。

这个算法是如何工作的？

　　浏览器处理这个问题的方法，是对数据一个字节一个字节的检查，以力图测试字符集（当你点击菜单View->Auto-select或auto-detect时）。这个算法（最初由Frank Tang开发）检查字节序列，基于每个字节的值，利用逐步消除法(elimination logic)逐步缩小以至最后确定字符集。如果这个方法仍难以确定，就利用另一个方法，根据某种语言的字符的频次统计来确实字符集。

下载地址:http://ncu.dl.sourceforge.net/project/jchardet/jchardet/1.1/jchardet-1.1.zip
http://jchardet.sourceforge.net/

编程实例：

package com.jiepu;

import java.io.BufferedInputStream;
import java.net.URL;

import org.mozilla.intl.chardet.HtmlCharsetDetector;
import org.mozilla.intl.chardet.nsDetector;
import org.mozilla.intl.chardet.nsICharsetDetectionObserver;
import org.mozilla.intl.chardet.nsPSMDetector;

public class Fuck {

public static void main(String[] args) throws Exception {

if (args.length < 1) {
System.out.println("usage:Main url <int>lang");
return;
}
int lang = (args.length == 2) ? Integer.parseInt(args[1])
: nsPSMDetector.ALL;
// 实现nsICharsetDetectionObserver接口，这个接口只有一个Notify()方法.
// 当jchardet引擎自己认为已经识别出字符串的字符集后(不论识别的对错)，都会调用这个Notify方法。
nsICharsetDetectionObserver cdo = new nsICharsetDetectionObserver() {
public void Notify(String charset) {
HtmlCharsetDetector.found = true;
System.out.println("CHARSET = " + charset);
}
};
/**
* 初始化nsDetector() lang为一个整数，用以提示语言线索，可以提供的语言线索有以下几个： Japanese Chinese
* Simplified Chinese Traditional Chinese Korean Dont know (默认)
*/
nsDetector det = new nsDetector(lang);
// 设置一个Oberver
det.Init(cdo);
URL url = new URL(args[0]);
BufferedInputStream imp = new BufferedInputStream(url.openStream());
byte[] buf = new byte[1024];
boolean done = false; // 是否已经确定某种字符集
boolean isAscii = true;// 假定当前的串是ASCII编码
int len;
boolean found = false;
while ((len = imp.read(buf, 0, buf.length)) != -1) {
// 检查是不是全是ascii字符，当有一个字符不是ASC编码时，则所有的数据即不是ASCII编码了。
if (isAscii)
isAscii = det.isAscii(buf, len);
// 如果不是ascii字符，则调用DoIt方法.
if (!isAscii && !done)
done = det.DoIt(buf, len, false);// 如果不是ASCII，又还没确定编码集，则继续检测。
}
det.DataEnd();// 最后要调用此方法，此时，Notify被调用。
if (isAscii) {
System.out.println("CHARSET = ASCII");
found = true;
}
if (!found) {// 如果没找到，则找到最可能的那些字符集
String prob[] = det.getProbableCharsets();
for (int i = 0; i < prob.length; i++) {
System.out.println("Probable Charset = " + prob[i]);
}
}
}

}

package com.jiepu;

import java.io.BufferedInputStream;
import java.net.MalformedURLException;
import java.net.URL;

import org.mozilla.intl.chardet.HtmlCharsetDetector;
import org.mozilla.intl.chardet.nsDetector;
import org.mozilla.intl.chardet.nsICharsetDetectionObserver;
import org.mozilla.intl.chardet.nsPSMDetector;
//需要jchardet.jar
public class Main {

public static void main(String[] args) throws Exception {

if(args.length<1)
{
System.out.println("usage:Main url <int>lang");
return ;
}
int lang=(args.length==2)?Integer.parseInt(args[1]):nsPSMDetector.ALL;
nsDetector detector=new nsDetector(lang);

detector.Init(new nsICharsetDetectionObserver() {

public void Notify(String charset) {
HtmlCharsetDetector.found=true;
System.out.println("charset="+charset);
}
});
URL url=new URL(args[0]);
BufferedInputStream impBufferedInputStream=new BufferedInputStream(url.openStream());
byte[] buffer=new byte[1024];
int len;
boolean done=false;
boolean isAscii=true;
while((len=impBufferedInputStream.read(buffer, 0, buffer.length))!=-1)
{

if(isAscii)
{
isAscii=detector.isAscii(buffer, len);
}
if(!isAscii&&!done)
{
done=detector.DoIt(buffer, len, false);
}
}
detector.DataEnd();
if(isAscii)
{
System.out.println("charset=ascii");
}
}

}