Позначка порядку байтів прикручує читання файлів на Java


107

Я намагаюся читати файли CSV за допомогою Java. Деякі з файлів можуть мати позначку порядку байтів на початку, але не всі. Якщо присутній, порядок байт читається разом з рештою першого рядка, тим самим виникаючи проблеми зі порівнянням рядків.

Чи є простий спосіб пропустити позначку порядку байту, коли він присутній?

Дякую!


Відповіді:


114

EDIT : Я зробив належний випуск на GitHub: https://github.com/gpakosz/UnicodeBOMInputStream


Ось клас, який я кодував деякий час тому, я щойно редагував назву пакета перед вставкою. Нічого особливого, він досить схожий на рішення, розміщені в базі даних про помилки SUN. Включіть його у свій код, і ви все добре.

/* ____________________________________________________________________________
 * 
 * File:    UnicodeBOMInputStream.java
 * Author:  Gregory Pakosz.
 * Date:    02 - November - 2005    
 * ____________________________________________________________________________
 */
package com.stackoverflow.answer;

import java.io.IOException;
import java.io.InputStream;
import java.io.PushbackInputStream;

/**
 * The <code>UnicodeBOMInputStream</code> class wraps any
 * <code>InputStream</code> and detects the presence of any Unicode BOM
 * (Byte Order Mark) at its beginning, as defined by
 * <a href="http://www.faqs.org/rfcs/rfc3629.html">RFC 3629 - UTF-8, a transformation format of ISO 10646</a>
 * 
 * <p>The
 * <a href="http://www.unicode.org/unicode/faq/utf_bom.html">Unicode FAQ</a>
 * defines 5 types of BOMs:<ul>
 * <li><pre>00 00 FE FF  = UTF-32, big-endian</pre></li>
 * <li><pre>FF FE 00 00  = UTF-32, little-endian</pre></li>
 * <li><pre>FE FF        = UTF-16, big-endian</pre></li>
 * <li><pre>FF FE        = UTF-16, little-endian</pre></li>
 * <li><pre>EF BB BF     = UTF-8</pre></li>
 * </ul></p>
 * 
 * <p>Use the {@link #getBOM()} method to know whether a BOM has been detected
 * or not.
 * </p>
 * <p>Use the {@link #skipBOM()} method to remove the detected BOM from the
 * wrapped <code>InputStream</code> object.</p>
 */
public class UnicodeBOMInputStream extends InputStream
{
  /**
   * Type safe enumeration class that describes the different types of Unicode
   * BOMs.
   */
  public static final class BOM
  {
    /**
     * NONE.
     */
    public static final BOM NONE = new BOM(new byte[]{},"NONE");

    /**
     * UTF-8 BOM (EF BB BF).
     */
    public static final BOM UTF_8 = new BOM(new byte[]{(byte)0xEF,
                                                       (byte)0xBB,
                                                       (byte)0xBF},
                                            "UTF-8");

    /**
     * UTF-16, little-endian (FF FE).
     */
    public static final BOM UTF_16_LE = new BOM(new byte[]{ (byte)0xFF,
                                                            (byte)0xFE},
                                                "UTF-16 little-endian");

    /**
     * UTF-16, big-endian (FE FF).
     */
    public static final BOM UTF_16_BE = new BOM(new byte[]{ (byte)0xFE,
                                                            (byte)0xFF},
                                                "UTF-16 big-endian");

    /**
     * UTF-32, little-endian (FF FE 00 00).
     */
    public static final BOM UTF_32_LE = new BOM(new byte[]{ (byte)0xFF,
                                                            (byte)0xFE,
                                                            (byte)0x00,
                                                            (byte)0x00},
                                                "UTF-32 little-endian");

    /**
     * UTF-32, big-endian (00 00 FE FF).
     */
    public static final BOM UTF_32_BE = new BOM(new byte[]{ (byte)0x00,
                                                            (byte)0x00,
                                                            (byte)0xFE,
                                                            (byte)0xFF},
                                                "UTF-32 big-endian");

    /**
     * Returns a <code>String</code> representation of this <code>BOM</code>
     * value.
     */
    public final String toString()
    {
      return description;
    }

    /**
     * Returns the bytes corresponding to this <code>BOM</code> value.
     */
    public final byte[] getBytes()
    {
      final int     length = bytes.length;
      final byte[]  result = new byte[length];

      // Make a defensive copy
      System.arraycopy(bytes,0,result,0,length);

      return result;
    }

    private BOM(final byte bom[], final String description)
    {
      assert(bom != null)               : "invalid BOM: null is not allowed";
      assert(description != null)       : "invalid description: null is not allowed";
      assert(description.length() != 0) : "invalid description: empty string is not allowed";

      this.bytes          = bom;
      this.description  = description;
    }

            final byte    bytes[];
    private final String  description;

  } // BOM

  /**
   * Constructs a new <code>UnicodeBOMInputStream</code> that wraps the
   * specified <code>InputStream</code>.
   * 
   * @param inputStream an <code>InputStream</code>.
   * 
   * @throws NullPointerException when <code>inputStream</code> is
   * <code>null</code>.
   * @throws IOException on reading from the specified <code>InputStream</code>
   * when trying to detect the Unicode BOM.
   */
  public UnicodeBOMInputStream(final InputStream inputStream) throws  NullPointerException,
                                                                      IOException

  {
    if (inputStream == null)
      throw new NullPointerException("invalid input stream: null is not allowed");

    in = new PushbackInputStream(inputStream,4);

    final byte  bom[] = new byte[4];
    final int   read  = in.read(bom);

    switch(read)
    {
      case 4:
        if ((bom[0] == (byte)0xFF) &&
            (bom[1] == (byte)0xFE) &&
            (bom[2] == (byte)0x00) &&
            (bom[3] == (byte)0x00))
        {
          this.bom = BOM.UTF_32_LE;
          break;
        }
        else
        if ((bom[0] == (byte)0x00) &&
            (bom[1] == (byte)0x00) &&
            (bom[2] == (byte)0xFE) &&
            (bom[3] == (byte)0xFF))
        {
          this.bom = BOM.UTF_32_BE;
          break;
        }

      case 3:
        if ((bom[0] == (byte)0xEF) &&
            (bom[1] == (byte)0xBB) &&
            (bom[2] == (byte)0xBF))
        {
          this.bom = BOM.UTF_8;
          break;
        }

      case 2:
        if ((bom[0] == (byte)0xFF) &&
            (bom[1] == (byte)0xFE))
        {
          this.bom = BOM.UTF_16_LE;
          break;
        }
        else
        if ((bom[0] == (byte)0xFE) &&
            (bom[1] == (byte)0xFF))
        {
          this.bom = BOM.UTF_16_BE;
          break;
        }

      default:
        this.bom = BOM.NONE;
        break;
    }

    if (read > 0)
      in.unread(bom,0,read);
  }

  /**
   * Returns the <code>BOM</code> that was detected in the wrapped
   * <code>InputStream</code> object.
   * 
   * @return a <code>BOM</code> value.
   */
  public final BOM getBOM()
  {
    // BOM type is immutable.
    return bom;
  }

  /**
   * Skips the <code>BOM</code> that was found in the wrapped
   * <code>InputStream</code> object.
   * 
   * @return this <code>UnicodeBOMInputStream</code>.
   * 
   * @throws IOException when trying to skip the BOM from the wrapped
   * <code>InputStream</code> object.
   */
  public final synchronized UnicodeBOMInputStream skipBOM() throws IOException
  {
    if (!skipped)
    {
      in.skip(bom.bytes.length);
      skipped = true;
    }
    return this;
  }

  /**
   * {@inheritDoc}
   */
  public int read() throws IOException
  {
    return in.read();
  }

  /**
   * {@inheritDoc}
   */
  public int read(final byte b[]) throws  IOException,
                                          NullPointerException
  {
    return in.read(b,0,b.length);
  }

  /**
   * {@inheritDoc}
   */
  public int read(final byte b[],
                  final int off,
                  final int len) throws IOException,
                                        NullPointerException
  {
    return in.read(b,off,len);
  }

  /**
   * {@inheritDoc}
   */
  public long skip(final long n) throws IOException
  {
    return in.skip(n);
  }

  /**
   * {@inheritDoc}
   */
  public int available() throws IOException
  {
    return in.available();
  }

  /**
   * {@inheritDoc}
   */
  public void close() throws IOException
  {
    in.close();
  }

  /**
   * {@inheritDoc}
   */
  public synchronized void mark(final int readlimit)
  {
    in.mark(readlimit);
  }

  /**
   * {@inheritDoc}
   */
  public synchronized void reset() throws IOException
  {
    in.reset();
  }

  /**
   * {@inheritDoc}
   */
  public boolean markSupported() 
  {
    return in.markSupported();
  }

  private final PushbackInputStream in;
  private final BOM                 bom;
  private       boolean             skipped = false;

} // UnicodeBOMInputStream

І ви використовуєте це таким чином:

import java.io.BufferedReader;
import java.io.FileInputStream;
import java.io.InputStreamReader;

public final class UnicodeBOMInputStreamUsage
{
  public static void main(final String[] args) throws Exception
  {
    FileInputStream fis = new FileInputStream("test/offending_bom.txt");
    UnicodeBOMInputStream ubis = new UnicodeBOMInputStream(fis);

    System.out.println("detected BOM: " + ubis.getBOM());

    System.out.print("Reading the content of the file without skipping the BOM: ");
    InputStreamReader isr = new InputStreamReader(ubis);
    BufferedReader br = new BufferedReader(isr);

    System.out.println(br.readLine());

    br.close();
    isr.close();
    ubis.close();
    fis.close();

    fis = new FileInputStream("test/offending_bom.txt");
    ubis = new UnicodeBOMInputStream(fis);
    isr = new InputStreamReader(ubis);
    br = new BufferedReader(isr);

    ubis.skipBOM();

    System.out.print("Reading the content of the file after skipping the BOM: ");
    System.out.println(br.readLine());

    br.close();
    isr.close();
    ubis.close();
    fis.close();
  }

} // UnicodeBOMInputStreamUsage

2
Вибачте за довгі області прокрутки, шкода, що немає функції вкладення
Gregory Pakosz

Дякую, Григорі, саме це я шукаю.
Том

3
Це має бути в основному Java API
Денис Княжев

7
Пройшло 10 років, і я все ще отримую карму для цього: D Я дивлюся на тебе Ява!
Григорій Пакош

1
Оновлено, оскільки відповідь надає історію щодо того, чому вхідний потік файлу не надає можливість відкинути BOM за замовчуванням.
MxLDevs

94

Apache Commons IO бібліотека має , InputStreamякий може виявити і відкинути ВВП: BOMInputStream(Javadoc) :

BOMInputStream bomIn = new BOMInputStream(in);
int firstNonBOMByte = bomIn.read(); // Skips BOM
if (bomIn.hasBOM()) {
    // has a UTF-8 BOM
}

Якщо вам також потрібно виявити різні кодування, вони також можуть відрізняти різні позначення порядку байтів, наприклад, UTF-8 проти UTF-16 великий + маленький ендіан - деталі за посиланням doc вище. Потім можна за допомогою виявленого ByteOrderMarkвибрати a Charsetдля декодування потоку. (Мабуть, є більш спрощений спосіб зробити це, якщо вам потрібна вся ця функціональність - можливо, UnicodeReader у відповіді BalusC?). Зауважте, що в цілому існує не дуже хороший спосіб виявити, у чому кодуються деякі байти, але якщо потік починається з BOM, очевидно, це може бути корисним.

Редагувати : Якщо вам потрібно виявити BOM в UTF-16, UTF-32 тощо, конструктор повинен бути:

new BOMInputStream(is, ByteOrderMark.UTF_8, ByteOrderMark.UTF_16BE,
        ByteOrderMark.UTF_16LE, ByteOrderMark.UTF_32BE, ByteOrderMark.UTF_32LE)

Коментар Upvote @ martin-charlesworth :)


Просто пропускає БОМ. Повинно бути ідеальним рішенням для 99% випадків використання.
отаманроман

7
Цю відповідь я успішно використав. Однак я з повагою додаю booleanаргумент для визначення того, включати чи виключати BOM. Приклад:BOMInputStream bomIn = new BOMInputStream(in, false); // don't include the BOM
Кевін Мередіт

19
Я також додам, що це виявляє лише UTF-8 BOM. Якщо ви хочете виявити всі BOM-файли utf-X, тоді вам потрібно передати їх конструктору BOMInputStream. BOMInputStream bomIn = new BOMInputStream(is, ByteOrderMark.UTF_8, ByteOrderMark.UTF_16BE, ByteOrderMark.UTF_16LE, ByteOrderMark.UTF_32BE, ByteOrderMark.UTF_32LE);
Мартін Чарльзворт,

Що стосується коментаря @KevinMeredith, я хочу наголосити, що конструктор з булевим ясніше, але конструктор за замовчуванням уже позбувся BOMInputStream(InputStream delegate) Constructs a new BOM InputStream that excludes a ByteOrderMark.UTF_8 BOM.
BT

Пропуск вирішує більшість моїх проблем. Якщо мій файл починається з BOM UTF_16BE, чи можу я створити InputReader, пропустивши BOM і прочитавши файл як UTF_8? Поки це працює, я хочу зрозуміти, чи є крайовий випадок? Заздалегідь спасибі.
Бхаскар

31

Більш просте рішення:

public class BOMSkipper
{
    public static void skip(Reader reader) throws IOException
    {
        reader.mark(1);
        char[] possibleBOM = new char[1];
        reader.read(possibleBOM);

        if (possibleBOM[0] != '\ufeff')
        {
            reader.reset();
        }
    }
}

Зразок використання:

BufferedReader input = new BufferedReader(new InputStreamReader(new FileInputStream(file), fileExpectedCharset));
BOMSkipper.skip(input);
//Now UTF prefix not present:
input.readLine();
...

Він працює з усіма 5 кодами UTF!


1
Дуже приємний Андрій. Але ви могли б пояснити, чому це працює? Як шаблон 0xFEFF успішно відповідає файлам UTF-8, які, схоже, мають інший візерунок і 3 байти замість 2? І як цей зразок може відповідати обом ендіанцям UTF16 та UTF32?
Вахід Пазіранде

1
Як бачите - я не використовую байтовий потік, але потік символів, відкритий із очікуваною діаграмою. Отже, якщо першим персонажем з цього потоку є BOM - я пропускаю його. BOM може мати різне байтове подання для кожного кодування, але це один символ. Прочитайте, будь ласка, цю статтю, це мені допомагає: joelonsoftware.com/articles/Unicode.html

Гарне рішення, просто переконайтеся, що файл не порожній, щоб уникнути IOException у методі пропуску перед читанням. Ви можете зробити це, зателефонувавши if (reader.ready ()) {reader.read (можливаBOM) ...}
Сніг,

Я бачу, що ви покрили 0xFE 0xFF, що є позначкою порядку байт для UTF-16BE. Але що робити, якщо перші 3 байти 0xEF 0xBB 0xEF? (позначка порядку байт для UTF-8). Ви стверджуєте, що це працює у всіх форматах UTF-8. Що може бути правдою (я не перевіряв ваш код), але як це працює?
bvdb

1
Дивіться мою відповідь Вахіду: я відкриваю не потік байтів, а потік символів і читаю з нього один символ. Неважливо, що кодування utf, яке використовується для файлу префікса бома, може бути представлене різною кількістю байтів, але з точки зору символів це лише один символ

24

API даних Google має функцію UnicodeReaderавтоматичного виявлення кодування.

Ви можете використовувати його замість InputStreamReader. Ось невеликий ущільнений витяг його джерела, який є досить простим:

public class UnicodeReader extends Reader {
    private static final int BOM_SIZE = 4;
    private final InputStreamReader reader;

    /**
     * Construct UnicodeReader
     * @param in Input stream.
     * @param defaultEncoding Default encoding to be used if BOM is not found,
     * or <code>null</code> to use system default encoding.
     * @throws IOException If an I/O error occurs.
     */
    public UnicodeReader(InputStream in, String defaultEncoding) throws IOException {
        byte bom[] = new byte[BOM_SIZE];
        String encoding;
        int unread;
        PushbackInputStream pushbackStream = new PushbackInputStream(in, BOM_SIZE);
        int n = pushbackStream.read(bom, 0, bom.length);

        // Read ahead four bytes and check for BOM marks.
        if ((bom[0] == (byte) 0xEF) && (bom[1] == (byte) 0xBB) && (bom[2] == (byte) 0xBF)) {
            encoding = "UTF-8";
            unread = n - 3;
        } else if ((bom[0] == (byte) 0xFE) && (bom[1] == (byte) 0xFF)) {
            encoding = "UTF-16BE";
            unread = n - 2;
        } else if ((bom[0] == (byte) 0xFF) && (bom[1] == (byte) 0xFE)) {
            encoding = "UTF-16LE";
            unread = n - 2;
        } else if ((bom[0] == (byte) 0x00) && (bom[1] == (byte) 0x00) && (bom[2] == (byte) 0xFE) && (bom[3] == (byte) 0xFF)) {
            encoding = "UTF-32BE";
            unread = n - 4;
        } else if ((bom[0] == (byte) 0xFF) && (bom[1] == (byte) 0xFE) && (bom[2] == (byte) 0x00) && (bom[3] == (byte) 0x00)) {
            encoding = "UTF-32LE";
            unread = n - 4;
        } else {
            encoding = defaultEncoding;
            unread = n;
        }

        // Unread bytes if necessary and skip BOM marks.
        if (unread > 0) {
            pushbackStream.unread(bom, (n - unread), unread);
        } else if (unread < -1) {
            pushbackStream.unread(bom, 0, 0);
        }

        // Use given encoding.
        if (encoding == null) {
            reader = new InputStreamReader(pushbackStream);
        } else {
            reader = new InputStreamReader(pushbackStream, encoding);
        }
    }

    public String getEncoding() {
        return reader.getEncoding();
    }

    public int read(char[] cbuf, int off, int len) throws IOException {
        return reader.read(cbuf, off, len);
    }

    public void close() throws IOException {
        reader.close();
    }
}

Здається, що посилання говорить про застарілий API даних Google? Де зараз шукати API даних Google?
ДНЯ

1
@XichenLi: API GData застарілий за призначенням. Я не збирався пропонувати безпосередньо використовувати API GData (OP не використовує жодної служби GData), але я маю намір взяти на себе вихідний код як приклад для власної реалізації. Тому я і включив його у свою відповідь, готовий до копіювання пасти.
BalusC

У цьому помилка. Корпус UTF-32LE недоступний. Щоб (bom[0] == (byte) 0xFF) && (bom[1] == (byte) 0xFE) && (bom[2] == (byte) 0x00) && (bom[3] == (byte) 0x00)це було правдою, тоді випадок UTF-16LE ( (bom[0] == (byte) 0xFF) && (bom[1] == (byte) 0xFE)) вже відповідав би.
Джошуа Тейлор

Оскільки цей код походить від API даних Google, я опублікував номер 471 про нього.
Джошуа Тейлор

13

У Apache Commons IOбібліотеках BOMInputStream вже згадана @rescdsk, але я не бачив його вже , як отримати InputStream без специфікації.

Ось як я це зробив у Scala.

 import java.io._
 val file = new File(path_to_xml_file_with_BOM)
 val fileInpStream = new FileInputStream(file)   
 val bomIn = new BOMInputStream(fileInpStream, 
         false); // false means don't include BOM

Single конструктор АГД робить це: public BOMInputStream(InputStream delegate) { this(delegate, false, ByteOrderMark.UTF_8); }. Це UTF-8 BOMза замовчуванням виключається .
Володимир Вагайцев

Добрий момент, Володимире. Я бачу, що в його документах - commons.apache.org/proper/commons-io/javadocs/api-2.2/org/… :Constructs a new BOM InputStream that excludes a ByteOrderMark.UTF_8 BOM.
Кевін Мередіт

4

Щоб просто видалити символи BOM з вашого файлу, я рекомендую використовувати Apache Common IO

public BOMInputStream(InputStream delegate,
              boolean include)
Constructs a new BOM InputStream that detects a a ByteOrderMark.UTF_8 and optionally includes it.
Parameters:
delegate - the InputStream to delegate to
include - true to include the UTF-8 BOM or false to exclude it

Набір "Включити" неправдиво, і ваші символи BOM будуть виключені.



1

У мене була така ж проблема, і тому, що я не читав у купі файлів, я зробив більш просте рішення. Я думаю, що моє кодування було UTF-8, тому що, коли я роздрукував кривдного символу за допомогою цієї сторінки: Отримати значення unicode символу, я виявив, що це було \ufeff. Я використовував код, System.out.println( "\\u" + Integer.toHexString(str.charAt(0) | 0x10000).substring(1) );щоб роздрукувати кривдні значення unicode.

Після того, як у мене з’явилося образливе значення Unicode, я замінив його в першому рядку свого файлу, перш ніж продовжувати читати. Бізнес-логіка цього розділу:

String str = reader.readLine().trim();
str = str.replace("\ufeff", "");

Це вирішило мою проблему. Тоді я міг перейти до обробки файлу без проблем. Я додав trim()лише на випадок пробілу чи відставання пробілів, ви можете зробити це чи ні, виходячи з ваших конкретних потреб.


1
Це не спрацювало для мене, але я використав .replaceFirst ("\ u00EF \ u00BB \ u00BF", "").
StackUMan
Використовуючи наш веб-сайт, ви визнаєте, що прочитали та зрозуміли наші Політику щодо файлів cookie та Політику конфіденційності.
Licensed under cc by-sa 3.0 with attribution required.