使用Java中的不受支持和/或多個字符集處理輸入

Question

我正在編寫一個Java（7 SE）應用程序來攝取各種基於文本的輸入，並擔心遇到JRE不支持的字符集/編碼（例如，這個應用程序將在Linux機器上運行但是會攝取在每個主要操作系統上生成的文件等）。

首先，如果InputStreamReader遇到不支持的字符集/編碼，有沒有辦法捕獲IOException （或類似的）？

那些包含多種編碼的輸入呢？ 假設我們有4種不同類型的輸入：

• Raw java.lang.String s
• 明文（ .txt ）文件
• Word（ .docx ）文件
• PDF文件

如果我們正在閱讀其中一個輸入並開始遇到多個（但支持的）字符編碼，該怎么辦？ JRE本身是否處理此問題，或者我是否必須擁有多個讀者，每個讀者都配置了自己的字符集/編碼？

在這種情況下，我可以將流輸入“標准化”為單個標准化（最可能是UTF-8）集/編碼嗎？ 提前致謝。

Answer 1

要回答第一個問題，您可以創建一個CharsetDecoder，並指定在遇到格式錯誤的輸入時您想要發生的事情。

CharsetDecoder charsetDecoder = Charset.forName("utf-8").newDecoder();
charsetDecoder.onMalformedInput(myCustomErrorAction);
charsetDecoder.onUnmappableCharacter(myCustomErrorAction);
Reader inputReader = new InputStreamReader(inputStream, charsetDecoder);

至於捕獲不支持整個字符集的情況，它看起來像：

if( Charset.isSupported(encodingSpecified)) {
    //Normal case
} else {
    //Error case
}

但是我不確定多種編碼。 我認為單個二進制流有多種編碼是非常不尋常的。 流必須有一些指示編碼更改的自定義方式。 您必須一次從流中讀取一個字符以查找該指標。 如果遇到它，則必須使用新編碼在同一個流上創建新的閱讀器。

在所有情況下，在Java中，一旦從字節流轉換為字符流，這些字符將在沒有任何特定編碼的情況下在內存中表示，因此除非您將數據保存在某處，否則無需進行規范化。 如果您打算稍后將該數據保存回文件，那么我強烈建議您選擇一種編碼並堅持使用它來存儲所有數據。