如果我从文件中读取，如何将ASCII（Unicode转义）字符串转换为Unicode（UTF-8）？

Question

编辑：

我正在从文件中读取该字符串，因此这个话题实际上是关于以下问题：

我有一个字符串，它与从文件接收到的字符串相等：equal()

"Diogo Pi\\u00e7arra - Tu E Eu"

如何让Java将结果字符串"\u00e7"读取为字符"ç"?

这是因为文件不是以UTF-8编码，而是以转义Unicode编码，所以我将"\u00e7"读取为字符串而不是Unicode字符。因此，我需要一个在运行时解析它的函数。我可以使用.replace()函数迭代来解析它，但是......

---

旧问题（之前提问方式有误，请忽略以下文字）：

我有以下字符串：

final String str = "Diogo Pi\u00e7arra - Tu E Eu";

我希望将其转换为：

并且我想将其转换为：

"Diogo Piçarra - Tu E Eu"

我已经尝试了各种方法，从Apache Lang工具的unescape函数到...

new String(str.getBytes("UTF-16"), "UTF-16")

或者

new String(str.getBytes("UTF-8"), "UTF-8")

或者

new String(str.getBytes("UTF-16"))

或者

new String(str.getBytes("UTF-8"))

但是什么都没有起作用...!

接下来我该尝试什么?

谢谢！

- PedroD

---

你得到了什么值 System.getProperty("file.encoding")？ - Andrew Tobilko

这个：ANSI_X3.4-1968 - PedroD

Answer 1

我把它运作起来的方式如下：从一个包含明确编写的转义Unicode的文件中读取。

    BufferedReader reader1 = new BufferedReader(new InputStreamReader(file.getInputStream()));
    byte c;
    while ((c = (byte) reader1.read()) != -1) {
        output.append(new String(new byte[] { c }, "UTF-8"));
    }
    return StringEscapeUtils.unescapeJava(output.toString());

这是可行的，因为

StringEscapeUtils.unescapeJava("Diogo Pi\\u00e7arra - Tu E Eu")
results in "Diogo Piçarra - Tu E Eu"

- PedroD

---

请将此答案标记为已接受的答案，因为当前标记的答案没有回答问题。此外，您的问题似乎不需要 UTF-8，因为 Java 字符串是 UTF-16。 - Tom Blodget

Answer 2

final String str = new String("Diogo Pi\u00e7arra - Tu E Eu".getBytes(), 
                              Charset.forName("UTF-8"));

结果：

尝试使用getBytes()方法而不带参数（这里将使用defaultCharset）。但这并非必需。不需要进行转换：

final String str = "Diogo Pi\u00e7arra - Tu E Eu";

你将会得到相同的结果。

- Andrew Tobilko

---

它在我的机器上不起作用，但在IDEONE上可以工作，甚至不需要进行转换：http://ideone.com/B3dwD9 - PedroD

@PedroD，看看这个。你的JVM存在一种编码错误。 - Andrew Tobilko

@PedroD，之后请告诉我结果。 - Andrew Tobilko

现在，通过将标志-Dfile.encoding=utf-8添加到我的Java命令，它返回的是utf-8而不是ANSI_X3.4-1968，但错误仍然存在。问题是我正在从文件中读取一个转义字符串（我无法更改）。我正在读取的等同于“Diogo Pi\u00e7arra - Tu E Eu”。我需要做的是强制Java将字符串“\u00e7”读取为Unicode特殊字符。我可以使用.replace()来实现，但我想这样做就像重新发明轮子一样... - PedroD

这个答案有多个错误：1. 在Java源代码中，"\u00e7"和"ç"在每个方面都是相同的。2. getBytes() 是依赖于语言环境的，并且可能会不可逆地损坏数据。3. 即使语言环境使用UTF-8，new String(x.getBytes(), Charset.forName("UTF-8")) 仍将等于 x。4. 无论如何，您都应该使用 StandardCharsets.UTF8。 - Karol S