java - 查看一组字节是否在 Java 中编码为 UTF-8 有什么好的启发式方法？

Question

我有一个字节流，它可能是 UTF-8 数据，也可能是二进制图像。通过检查前 100 个字节左右，我应该能够有根据地猜测它是哪一个。

但是，我还没有弄清楚如何在 Java 中执行此操作。我尝试过执行以下操作:

new String( bytes, "UTF-8").substring(0,100).matches(".*[^\p{Print}]") 查看前 100 个字符是否包含不可打印字符，但是似乎不起作用。

有更好的方法吗？

Answer 1

在格式良好的 UTF-8 中，设置了最高位的字节必须跟在或之前有另一个设置了最高位的字节；运行的第一个必须以设置的两个最高位开始，其余必须清除次高位(实际上，N 个最高位字节的运行的第一个必须设置最高 N 位，而下一个一清二楚)。

这些特征应该很容易找到。