二进制文件与文本文件的区别【字符集Charset】

news2024/11/23 11:16:00

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。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。
在这里插入图片描述

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：

/***
 * @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，这个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：

/***
 * @author QiuGen
 * @description  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();
        }
	}

}