Java。文件编码是否会影响纯字节级别的文件比较？

Question

我使用以下内容来比较两个假定相同的文件的内容。我读过——至少对于文本文件，如 TXT 或 HTML——文件的编码会影响文件的十六进制序列如何转换为字符：即，对于相同的十六进制序列，文件以 UTF 编码-8 将显示与 ASCII 编码不同的内容。文件编码会影响我下面的代码吗？或者不是，因为我正在比较基本字节级别的文件内容，不关心十六进制序列？

bin_1 = new BufferedInputStream(file_input_stream_1); 
bin_2 = new BufferedInputStream(file_input_stream_2);

byte[] barr_1 = new byte[8192];
byte[] barr_2 = new byte[8192]; 

while(bin_1.available() > 0){

    bin_1.read(barr_1); bin_2.read(barr_2);

    if(Arrays.equals(barr_1, barr_2) == false){
        break;
    }

    else{

        barr_1 = new byte[8192]; 
        barr_2 = new byte[8192];
        continue;

    }
    
}

Answer 1

...字节的基本级别，不涉及十六进制序列

我认为你在这里有一个误解。字节是 8 位的组，以十六进制表示以节省一些空间（例如 FF 相当于字节值 11111111）。所以这些本质上是相同的。

话虽这么说，是的编码会影响比较，因为字符可能表示为不同的字节。只要您的文本仅包含 ASCII 字符，通用编码就有可能产生相同的字节，因为 UTF-8 和 Latin-1 共享相同的基本序列。 但是，其他编码可能完全不同。 作为示例，使用文本“stackoverflow”。

拉丁语-1：

73 74 61 63 6B 6F 76 65 72 66 6C 6F 77
• UTF-8：
73 74 61 63 6B 6F 76 65 72 66 6C 6F 77
• UTF-16 大端：
0073 0074 0061 0063 006B 006F 0076 0065 0072 0066 006C 006F 0077
另请注意，UTF-8 文件有带或不带

BOM（字节顺序标记）

，因此您需要相应地调整比较。这意味着以下十六进制序列基本上代表相同的内容：

无BOM：

73 74 61 63 6B 6F 76 65 72 66 6C 6F 77
• 含物料清单：
EF BB BF 73 74 61 63 6B 6F 76 65 72 66 6C 6F 77

您现在可能会问：那么我如何比较这些文件？

嗯，你最好在字符级别上比较它们，因为 Java 在内部使用一种字符代码。但是，您需要知道文件的编码，以告诉 Java 在加载文件时如何将字节转换为字符 - 并且您可能仍然需要查找 UTF-8 BOM，因为 Java 很可能会尝试读取它作为角色。