2字節UTF-8序列的無效字節2：如何查找字符

Question

我的Windows機器上有一個采用UTF-8編碼的大文本文件。 不知何故，此文件中的一個或多個字符對於UTF-8編碼無效，並給出錯誤消息“ 2字節UTF-8序列的無效字節2”。

我正在使用Windows 7，我想找到無效的字符。 我猜有一個用於UNIX的命令，但是是否有可以在Windows中使用的任何工具或實用程序或正則表達式（不需要編寫程序/代碼的東西）。

我可以使用notepad ++或PSPAD或類似的文本編輯器，或者如果有任何Windows命令，我可以創建一個批處理文件。 請提出建議。

Answer 1

創建一個FileReader來逐字節讀取文件。 如果當前字節看起來像2字節UTF-8的第一個字節，請讀取下一個字節，將兩個字節放入byte [2]數組中，並將其提供給新的String（array，“ UTF-8”）。 在循環中，對讀取的字節進行計數，並捕獲異常以產生位置和字節值。

Answer 2

您的UTF-8文件可能帶有Byte Order Mark（字節順序標記），而Java Reader通常無法識別該順序。

在記事本++中打開文件。 如果文件具有BOM表，則Notepad ++將報告“ UTF-8”而不是“ UTF-8 w / o BOM”。

您可以轉換為不帶BOM的UTF-8，或使用類似以下內容的東西： https : //stackoverflow.com/a/2905038/1554386剝離BOM。