zip格式文件编码检测

解压后文件名乱码

由于zip格式文件无编码存储的结构，因此解压时无法知道原先的编码。

当解压zip格式文件时使用的编码和原编码不一致时，就可能会出现解压后文件名乱码问题。

猜测编码

基于上述问题，需要对zip格式文件所使用的编码进行猜测。

笔者使用基于统计学原理的 juniversalchardet 库来猜测编码，下面是maven依赖坐标。

<dependency>
    <groupId>com.googlecode.juniversalchardet</groupId>
    <artifactId>juniversalchardet</artifactId>
    <version>1.0.3</version>
</dependency>

下面是一个简单的例子，只需要提供待猜测文本的字节数据即可。

UniversalDetector detector = new UniversalDetector(null);
String text = "这是一段测试文本";
byte[] buf = text.getBytes("GB18030");
detector.handleData(buf, 0, buf.length);
detector.dataEnd();
System.out.println(detector.getDetectedCharset()); // GB18030

zip格式文件结构

zip格式文件的结构如下（具体解析见其他文章），这里需要其中的 CENTRAL_DIRCETORY_HEADER 区域，该区域存储zip里所有的文件及文件夹的名称。

|LOCAL_FILE_HEADER|
|EXTRA_LOCAL_HEADER|
|CENTRAL_DIRCETORY_HEADER|
|END_OF_CENTRAL_DIRCETORY_RECORD|

利用Apache Compress库获取名称字节数据

笔者一般推荐使用 Apache Compress 库来处理zip格式文件，可以使用 ZipArchiveEntry.getRawName 方法来获取名称的字节数据。

下面是检测zip格式文件编码的例子，其中为了加快速度忽略解析Local file header区域。

public String detectCharset(File file) throws IOException {
    // Ignore resolve local file header to improve rate.
    ZipFile zipFile = new ZipFile(file, StandardCharsets.UTF_8.name(), true, false);
    Enumeration<ZipArchiveEntry> entries = zipFile.getEntries();
    UniversalDetector detector = new UniversalDetector(null);

    while (entries.hasMoreElements()) {
        ZipArchiveEntry entry = entries.nextElement();
        byte[] buf = entry.getRawName();  // Get the byte data of file name.
        detector.handleData(buf, 0, buf.length);
    }
    detector.dataEnd();
    return detector.getDetectedCharset();
}

下面是Apache Compress库的依赖坐标。

<dependency>
    <groupId>org.apache.commons</groupId>
    <artifactId>commons-compress</artifactId>
    <version>1.21</version>
</dependency>

注意事项

数据量越大 juniversalchardet 库检测编码就越准确，反之可能得到空结果或者不准确的编码。

例如猜测编码章节中让 text="中文" ，最后输出的结果是 KOI8-R。

为此实际使用中要根据业务场景来做限定，比方说系统面向的用户只可能是中文用户，那么当出现 KOI8-R 这种斯拉夫文字的编码时应当限定为中文的 GB18030 编码（数据量小时GB18030非常大概率会被检测成KOI8-R）。