[英]Converted word document (from Windows-1252 to UTF-8) not displaying characters correctly
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。
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。
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!
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.