转换后的 word 文档（从 Windows-1252 到 UTF-8）不能正确显示字符

Question

我有一个 Windows-1252 word 文档，我想将其转换为 UTF-8。 我需要这样做才能将 doc 文件正确转换为 pdf。 这就是我目前的做法：

 Path source = Paths.get("source.doc");
 Path temp = Paths.get("temp.doc");    
 try (BufferedReader sourceReader = new BufferedReader(new InputStreamReader(new FileInputStream(source.toFile()), "windows-1252"));
      BufferedWriter tempWriter = new BufferedWriter(new OutputStreamWriter(new FileOutputStream(temp.toFile()), "UTF-8"))) {
        String line;
        while ((line = sourceReader.readLine()) != null) {
           tempWriter.write(line);
        }
  }

但是，当我在 Word 中打开转换后的文件 ( temp.doc ) 时，它无法正确显示某些字符。 例如，Ü 将变为 ü。

我该如何解决这个问题？ 当我创建一个新的 BufferedReader（使用 UTF-8 编码）并读取temp时，字符在我的 IDE 的控制台中正确显示。

Answer 1

我有Windows-1252 Word文档

那不是文本文件。 Word文档基本上是二进制数据-使用纯文本编辑器打开它，您将看到各种乱码。 您可能还会在其中看到一些文本，但是基本上它不是纯文本文件，这是您尝试阅读的方式。

我什至还不清楚“ Windows-1252 word文档”的含义是什么... Word将在内部使用它想要的任何编码，但我不确定对此是否有任何控制。 我希望任何像样的“ doc to PDF”转换器都能处理任何有效的Word文档。

当我创建一个新的BufferedReader（使用UTF-8编码）并读取temp时，这些字符会在IDE的控制台中正确显示。

如果是这种情况，则表明它是一个纯文本文件开头，而不是Word文档。 你需要在你自己的头脑很清楚你有什么-一个Word文档或纯文本文件。 它们不是一回事，不应以相同的方式对待。

Answer 2

为了强制Excel使用UTF-8编码，我使用了字节顺序标记（在任何其他内容之前）：

tempWriter.write('\uFEFF'); // byte order mark to let Excel know to expect UTF-8

希望这可以帮助！