计算机上存储的文件在比特位上都是以二进制数字0或1表示,因此在物理层面上,文本文件和二进制文件没有本质差异,都是由数字0或1组成的比特位集合。
文本文件和二进制文件,两者的差异体现在编码逻辑,需要根据文件头中标记来区分。
文本文件是基于字符编码的文件,通常文件头有"字节序标记"BOM。什么是BOM?
不同的字符编码方案有固定的BOM标记。文本读写应用程序通常是根据BOM来确认文本的编码格式,然后才能处理文件中的信息。
二进制文件由二进制数字0和1组成,不同应用有不同的编码方案,通常也有文件头信息。。例如,音频、视频和图像文件都属于二进制文件,它们也各有编码方案,需要专用程序来处理。有的二进制文件也有"字节序标记"BOM,其作用主要为了确认编码是大端还是小端,用于确认编码方案中每组字节的编码排列顺序。
比如 bmp文件,它的文件头信息,前2个字节表示文件格式为BMP格式,接着的 8个字节表示文件的长度,再接着的4个字节表示 bmp文件头的长度。然后再根据BMP文件的编码方案可以解释出绘制图像。
win10系统文本文件的编码方案
win10系统默认的字符集(Charset)是GBK。
我们可用下面的Java程序来打印win10系统默认的字符集,以及支持的字符集:
cpp
/***
* @author QiuGen
* @description 系统默认字符集(Charset)打印例程CharsetPrn.java
* @date 2024/9/16
* ***/
import java.nio.charset.Charset; //程序CharsetPrn.java开始
import java.util.SortedMap;
public class CharsetPrn {
public static void main(String[] args) {
Charset charset = Charset.defaultCharset(); //获取系统环境的默认字符集名
System.out.println("当前系统环境的默认字符集名称");
System.out.println(charset);
System.out.println("当前系统环境的可用字符集名称");
SortedMap<String,Charset> map = Charset.availableCharsets();
map.forEach((k,v)->System.out.println(k));
}
}
在win10系统下的字符编码方案有以下几种,ASCII,ANSI、UTF-8、带有BOM的UTF-8 、UTF-16LE、UTF-16BE。
win10系统默认的字符集(Charset)编码方案是GBK编码。
这几种编码的特点:
(1) ANSI和ASCII编码: ASCII编码是ANSI编码的子集。ANSI编码是兼容ASCII编码的,如果字节的最高位是0(0-7F),二进制形如0XXX XXXX,表达的是ASCII字符。如果字节的最高位是1(80-FE),则是ANSI(GBK)编码,注意,这时候是两个字节表达一个汉字,也就是说两个字节的最高位都是1的字节代表一个汉字,二进制形如1XXX XXXX, 1XXX XXXX 。
在ANSI编码下,如果文本字符都是西文字符,则也可以认为是ASCII编码,当有连续高为是1的字节串出现的时候,这是可以判定为ANSI或GBK编码。GBK编码一定是两个高位均为1的字节表达一个汉字。ANSI每个字节的高位可以是1或0,若字节高位是0,则一个字节表达一个ASCII字符。
(2) UTF-8编码:utf-8是一种多字节编码的字符集,表示一个Unicode字符时,它可以是1个至多个字节。即在文本全部是ASCII字符时utf-8是和ASCII一致的(utf-8向下兼容ASCII)。最多6个字节表达一个字符,utf-8字节编码如下所示:
1字节:0xxxxxxx
2字节:110xxxxx 10xxxxxx
3字节:1110xxxx 10xxxxxx 10xxxxxx ,一般汉字用这个3字节表达
4字节:11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
5字节:111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
注意,在UTF-8编码中,多种长度是混合存在的,一个字符串可能有1,2,...,6个字节来表示的字符同时存在 。因此UTF-8编码太复杂,效率较低。
(3)有"字节序标记"BOM的UTF-8,其文本文件的头部带有"字节序标记"BOM:0xEF, 0xBB,0xBF,通过判断这个标志,可以判断出这个文本文件是UTF-8编码。
(4)UTF-16LE,字节序是little endian ,是双字节等长编码。文本文件头部带有"字节序标记"BOM:0xFF 0xFE,通过判断这个标志,可以判断出这个文本文件是UTF-16LE编码。
(5) UTF-16BE, 字节序是big endian,是双字节等长编码。文本文件头部带有"字节序标记"BOM:0xFE 0xFF,通过判断这个标志,可以判断出这个文本文件是UTF-16BE编码。
下面是一个根据"字节序标记"BOM测试文本文件编码方案的例程:
cpp
/***
* @author QiuGen
* @description 根据BOM测试文本文件编码方案例程
* FileCharsetDetector.java
* @date 2024/9/16
* ***/
import java.io.FileInputStream;
import java.io.IOException;
import java.nio.charset.Charset;
import java.nio.charset.StandardCharsets;
public class FileCharsetDetector {
public static void main(String[] args) {
String filePath = "D:/temp/测试文档2.txt";
try (FileInputStream in = new FileInputStream(filePath)) {
Charset charset = null;
int bom[] = new int[3];
bom[0] = in.read(); //读第1个字节
bom[1] = in.read(); //读第2个字节
bom[2] = in.read(); //读第3个字节
//打印BOM
System.out.println("BOM:"+Integer.toHexString(bom[0])+Integer.toHexString(bom[1])+Integer.toHexString(bom[2]));
if (bom[0] == 0xFE && bom[1] == 0xFF) {
charset = StandardCharsets.UTF_16BE;
} else if (bom[0] == 0xFF && bom[1] == 0xFE) {
charset = Charset.forName("UTF-16LE");
} else if (bom[0] == 0xEF && bom[1] == 0xBB && bom[2] == 0xBF) {
charset = StandardCharsets.UTF_8;
} else {
charset = Charset.forName("GBK");
}
System.out.println("文件字符编码: " + charset.name());
} catch (IOException e) {
e.printStackTrace();
}
}
}
在win10环境,使用文本编辑器应用程序"记事本",分别编写四个文件分别保存为UTF-16LE、 UTF-16BE、UTF-8和ANSI编码格式的文本。进行测试,UTF-16LE和 UTF-16BE能准确打印出BOM,下图是UTF-16LE的测试结果。
UTF-8和ANSI编码格式的文本,测试结果一样,如下所示:
由此说明Win10的UTF-8文本文件文件头中没有标准的"字节序标记"BOM。