Java 判断字节流是否是 UTF8 编码
遇到本来设计时使用 GBK 编码处理的地方，在实际使用过程导入了 UTF8 编码，造成了显示文本为乱码的现象，在了解 UTF8，GBK 编码和 Unicode 标准之后，编写了 Java 判断字节流是否是 UTF8 编码的程序，如果是 UTF8 编码，则转换成 GBK 编码。
编码的基础知识
Unicode 是一种标准，GBK 和 UTF8 是具体是编码格式。Java 的字符都是以 Unicode 进行存储的，占两或四个字节（看版本，且 Unicode 编码中对应关系是存在 0x00 的编码的）。Java 中的 getBytes() 方法是和平台（编码）相关的，在中文系统中返回的可能是 GBK 或 GBK2312，在英文系统中返回的可能是 ISO-8859-1。
- Unicode 标准：是计算机科学领域里的一项业界标准，包括字符集、编码方案等，它为每种语言中的每个字符设定了统一并且唯一的二进制编码，以满足跨语言、跨平台进行文本转换、处理的要求。
- GBK 编码：汉字内码扩展规范，国标，汉字占两个字节。
- UTF8 编码：针对 Unicode 的可变长度字符编码，用 1 到 6 个字节编码 Unicode 字符，汉字一般占 3 个字节。
UTF8 编码格式
如果 Unicode 字符由 2 个字节表示，则编码成 UTF8 很可能需要 3 个字节。而如果 Unicode 字符由 4 个字节表示，则编码成 UTF8 可能需要 6个字节。用 4 个或 6 个字节去编码一个 Unicode 字符可能太多了，但很少会遇到那样的 Unicode 字符。
UTF8 编码规则：如果只有一个字节则其最高二进制位为 0，如果是多字节，其第一个字节从最高位开始，连续的二进制位值为 1，1 的个数决定了其编码的字节数，其余各字节均以 10 开头。
// Unicode6.1定义范围：0~10 FFFF
// 20 0000 ~ 3FF FFFF 和 400 0000 ~ 7FFF FFFF 属于 UCS-4，UTF8 现在已经弃用了这部分内容
---------------------------------------------------------------------------------
n | Unicode (十六进制) | UTF - 8 (二进制)
--+-----------------------+------------------------------------------------------
1 | 0000 0000 - 0000 007F | 0xxxxxxx
2 | 0000 0080 - 0000 07FF | 110xxxxx 10xxxxxx
3 | 0000 0800 - 0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx
4 | 0001 0000 - 0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
---------------------------------------------------------------------------------
// 以下部分弃用
5 | 0020 0000 - 03FF FFFF | 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
6 | 0400 0000 - 7FFF FFFF | 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
---------------------------------------------------------------------------------
Java 如何判断单个字符编码是否是 UTF8
假设当前需要判定一个 byte[] 数组内的编码是否是 UTF8 编码，这个 byte[] 是 String 通过 getBytes() 方法获取的，判断单个字符的编码步骤如下：
- 从 byte[] 数组中获取一个 byte 并将它转换成无符号类型的 int 变量 value
- 判断 value 是否是 ASCII 字符（小于 0x80）
- 判断 value 是否是无效字符（大于 0x80，小于 0xC0，参照 UTF8 编码规则）
- 确认该字符编码的是几字节 UTF8
- 确认该字符编码的除第一个字节外的字节是否满足 10xxxxxx 格式
PS：
Java getBytes() 获取的是带符号的十六进制，实际处理时需要使用无符号十六进制。
GBK 和 UTF8 中 ASCII 字符的值是一样的。
具体程序
将十六进制流中的所有编码按照单个判定的方式便利一遍，如果有不符合 UTF8 编码规则的字符出现，则该十六进制流就不是 UTF8 编码格式的字串。
public static int byteToUnsignedInt(byte data) {
return data & 0xff;
}
public boolean isUTF8(byte[] pBuffer) {
boolean IsUTF8 = true;
boolean IsASCII = true;
int size = pBuffer.length;
int i = 0;
while (i < size) {
int value = byteToUnsignedInt(pBuffer[i]);
if (value < 0x80) {
// (10000000): 值小于 0x80 的为 ASCII 字符
if (i >= size - 1) {
if (IsASCII) {
// 假设纯 ASCII 字符不是 UTF 格式
IsUTF8 = false;
}
break;
}
i++;
} else if (value < 0xC0) {
// (11000000): 值介于 0x80 与 0xC0 之间的为无效 UTF-8 字符
IsASCII = false;
IsUTF8 = false;
break;
} else if (value < 0xE0) {
// (11100000): 此范围内为 2 字节 UTF-8 字符
IsASCII = false;
if (i >= size - 1) {
break;
}
int value1 = byteToUnsignedInt(pBuffer[i + 1]);
if ((value1 & (0xC0)) != 0x80) {
IsUTF8 = false;
break;
}
i += 2;
} else if (value < 0xF0) {
IsASCII = false;
// (11110000): 此范围内为 3 字节 UTF-8 字符
if (i >= size - 2) {
break;
}
int value1 = byteToUnsignedInt(pBuffer[i + 1]);
int value2 = byteToUnsignedInt(pBuffer[i + 2]);
if ((value1 & (0xC0)) != 0x80 || (value2 & (0xC0)) != 0x80) {
IsUTF8 = false;
break;
}
i += 3;
} else if (value < 0xF8) {
IsASCII = false;
// (11111000): 此范围内为 4 字节 UTF-8 字符
if (i >= size - 3) {
break;
}
int value1 = byteToUnsignedInt(pBuffer[i + 1]);
int value2 = byteToUnsignedInt(pBuffer[i + 2]);
int value3 = byteToUnsignedInt(pBuffer[i + 3]);
if ((value1 & (0xC0)) != 0x80
|| (value2 & (0xC0)) != 0x80
|| (value3 & (0xC0)) != 0x80) {
IsUTF8 = false;
break;
}
i += 3;
} else {
IsUTF8 = false;
IsASCII = false;
break;
}
}
return IsUTF8;
}
