轉換后的 word 文檔（從 Windows-1252 到 UTF-8）不能正確顯示字符

Question

我有一個 Windows-1252 word 文檔，我想將其轉換為 UTF-8。 我需要這樣做才能將 doc 文件正確轉換為 pdf。 這就是我目前的做法：

 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，當我在 Word 中打開轉換后的文件 ( temp.doc ) 時，它無法正確顯示某些字符。 例如，Ü 將變為 ü。

我該如何解決這個問題？ 當我創建一個新的 BufferedReader（使用 UTF-8 編碼）並讀取temp時，字符在我的 IDE 的控制台中正確顯示。

Answer 1

我有Windows-1252 Word文檔

那不是文本文件。 Word文檔基本上是二進制數據-使用純文本編輯器打開它，您將看到各種亂碼。 您可能還會在其中看到一些文本，但是基本上它不是純文本文件，這是您嘗試閱讀的方式。

我什至還不清楚“ Windows-1252 word文檔”的含義是什么... Word將在內部使用它想要的任何編碼，但我不確定對此是否有任何控制。 我希望任何像樣的“ doc to PDF”轉換器都能處理任何有效的Word文檔。

當我創建一個新的BufferedReader（使用UTF-8編碼）並讀取temp時，這些字符會在IDE的控制台中正確顯示。

如果是這種情況，則表明它是一個純文本文件開頭，而不是Word文檔。 你需要在你自己的頭腦很清楚你有什么-一個Word文檔或純文本文件。 它們不是一回事，不應以相同的方式對待。

Answer 2

為了強制Excel使用UTF-8編碼，我使用了字節順序標記（在任何其他內容之前）：

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

希望這可以幫助！