在 Java 中将字符串从一种编码转换为另一种编码

Question

我找过答案了（我相信它们在那里），但我不确定是否可能。

所以，我得到了一个包含单词“för”的巨大文件。我正在使用RandomAccessFile，因为我知道它在哪里（有点）并且因此可以使用seek()函数到达那里。

为了知道我已经找到它，我在程序中有一个字符串“för”，我检查它是否相等。问题在于，当我到达“för”时，我得到的比较对象是"för"。

因此，我的程序在没有找到任何“för”的情况下终止。

这是我用来获取单词的代码：

    private static String getWord(RandomAccessFile file) throws IOException {
    StringBuilder stb = new StringBuilder();
    String word;
    char c;
    c = (char)file.read();
    int end;
    do {
        stb.append(c);
        end = file.read();
        if(end==-1)
            return "-1";
        c = (char)end;

    } while (c != ' ');
    word = stb.toString();
    word.trim();
    return word;
}

基本上，我将从文件中的当前点返回所有字符到第一个“-”字符。所以我基本上获取了这个单词，但由于(char) file.read();读取一个字节（我想），UTF-8 'ö'成为两个字符'Ã'和'¶'？

猜测其中一个原因是，如果我使用UTF-8编码打开文件，它是“för”，但如果我在同一位置使用ISO-8859-15打开文件，则现在正好有我的getWord方法返回的内容：“för”

所以我的问题是：

当我拥有“för”和“för”时，是否有任何方法可以解决这个问题？比如说，“将“för”读作UTF-8字符串”，以获取“för”？

- MrJalapeno

---

你的问题就在这里：(char)file.read()。read() 方法不会返回一个 char，它返回一个 byte。不要将 byte 强制转换为 char。--- 为什么不使用更有帮助的 FileReader 而是使用 RandomAccessFile，后者可以自动将字节转换为字符？ - Andreas

@Andreas RandomAccessFile有一个函数seek(long pos)，允许我在不打开和读取前面内容的情况下跳过文件中的X个字节。 - MrJalapeno

但是寻找可能会使您陷入UTF-8序列的中间，那么如何确定要寻找到哪里？在UTF-8中，字符占用可变数量的字节，因此您无法知道要跳过多少字节，除非您读取它们。 - Andreas

我认为 OP 已经受到了足够的警告。我们不能帮助每个想要自己进行编码或时区计算的人。人们必须通过艰难的方式学习教训，我想。 - Ingo Bürk

@Andreas 非常感谢您的帮助。恐怕这是一个很大的文件，我必须在非常短的时间内搜索它，这意味着我必须使用seek(long pos)。您绝对正确，事实上这可能会使我陷入UTF-8序列的中间，所以我现在正在寻找的是，也许可以将我正在查看的文件（这是我的程序在此之前执行的操作）写成ISO-8859-1格式（这样每个字符都是一个字节），这样我就可以有效地使用seek方法了。 - MrJalapeno

Answer 1

如果你必须使用 RandomAccessFile，那么你应该先将内容读入到一个 byte[] 中，然后将整个数组转换为一个 String。以下是大致的代码示例：

byte[] buffer = new byte[whatever];
file.read(buffer);
String result = new String(buffer,"UTF-8");

这只是为了给您一个大致的印象，您需要添加一些长度处理等。

如果你在一个UTF-8序列中间开始阅读，这种方法也无法正确工作，但任何其他方法也是如此。

- piet.t

Answer 2

你正在使用 RandomAccessFile.read()。这个方法读取单个字节。UTF-8有时会为一个字符使用多个字节。

在这里讨论了从 RandomAccessFile 读取 UTF-8 的不同方法：Java：使用缓冲输入从随机访问文件中读取字符串 如果不一定需要 RandomAccessFile，则应该切换到读取 字符 而不是 字节。

如果可能的话，我建议使用 Scanner.next()，它默认搜索下一个单词。

- slartidan

---

@Andreas，如果性能很重要，你应该远离Scanner。 - slartidan

Answer 3

import java.nio.charset.Charset;
String encodedString = new String(originalString.getBytes("ISO-8859-15"), Charset.forName("UTF-8"));

- Sergey Gornostaev

---

经过一些谷歌搜索（就在几秒钟前），我成功地实现了一个看起来像解决方案的东西。基本上是：byte[] utf8Bytes = theWord.getBytes("ISO-8859-1"); 然后 **theWord = new String(utf8Bytes, "UTF8");**。theWord现在从"för"变成了"för"。这样做或那样做有什么原因吗？只是好奇 :) PS 我刚刚实现了你的解决方案，它也解决了问题，所以我会接受你的答案。 - MrJalapeno

我的解决方案和你的一样。唯一的区别是我的解决方案只有一行。 - Sergey Gornostaev

ISO-8859-15在代码中没有矫正非常糟糕的byte到char转换。 - Andreas

虽然在这种情况下将编码转换为String可能有效，但在已经将某些内容转换为String后再进行编码转换肯定会让你陷入麻烦，因为在第一次将byte转换为String时可能已经丢失了信息。处理编码问题的唯一正确位置是在读取/写入时。 - piet.t

@piet.t 我同意，但作者正在询问如何将一个字符串从一种编码转换为另一种编码。 - Sergey Gornostaev