字符编码

Question

我得到了需要阅读和解析的html文件，该文件可以使用简单的英语，日语或任何其他语言，并且具有该语言所需的关联字符编码。 当文件使用这些编码中的任何一种为日语时，就会发生此问题

• Shift JIS
• EUC-JP
• ISO-2022-JP

我尝试使用FileReader读取文件，但是生成的文件都是垃圾字符。 我还尝试使用FileInputStream和仅进行日语编码的硬编码来检查日语文件是否正确读取，但结果与预期不符。

FileInputStream fis = new FileInputStream(htmlFile);
InputStreamReader isr = new InputStreamReader(fis, " ISO-2022-JP");

我在字符编码和国际化方面没有太多经验，关于如何读取/写入具有不同编码的文件的任何建议？

还有一件事，我不知道如何获取正在读取的html文件的字符编码，我知道我需要以相同的编码来编写文件，但是不确定如何获取原始文件的编码，谢谢，

Answer 1

• 忘记FileReader存在，它隐式使用平台默认编码，这使它几乎无用。
• 您使用硬编码编码的代码是正确的，除了编码本身，它具有前导空格。 如果将其删除，则代码应正确读取ISO-2022-JP编码的文件
• 至于获取HTML文件的字符编码，可以通过多种方式进行传输
  • 在Content-Type HTTP标头中的HTTP级别上-但这仅在您从Web服务器读取文件时可用，而在另存为文件时不可用
  • 作为相应的META HTML标签 ： <META http-equiv="Content-Type" content="text/html; charset=EUC-JP">
  • 或者，如果文档类型是XHTML，则在XML声明中 ： <?xml version="1.0" encoding="UTF-8"?>