org.apache.commons.io.IOUtils.toString误解UTF-8

Question

我正在尝试从URI获取源代码。它被报道为UTF-8。我也尝试过ISO-8859-1，ISO-8859-1 Windows-1250和ISO-8859-2。

以下是我最新尝试的代码（尝试ISO-8859-2）：

public static String getPage(String page,String charset) throws IOException{
        URL url=new URL(page);

        return org.apache.commons.io.IOUtils.toString(url.openConnection().getInputStream(),charset);
    }

    public static void main(String args[])throws Exception{
        String page=getPage("http://buscon.rae.es/drae/srv/search?val=aba","ISO-8859-2");
        System.out.println(page);
    }

但结果是：

apÄ？ge 'quita，aparta'，y este del gr。那张I＆αγÎμ）

而不是：

（Dellat.apăge'quita，aparta'，y este del gr。ἄπαγε）。

同样，UTF-8（与其他代码和浏览器一起使用）和其他编码名称也会以类似的方式失败。

Answer 1

U + 0103（ă）被编码为字节序列C4 83;这些数据是UTF-8。

该错误可能是由于您通过附加到PrintStream的{​​{1}}执行的其他转码操作所致。这会将数据编码为system encoding，这可能是有损转换，如果写入的设备不使用匹配的编码，可能会导致损坏。

您可以阅读有关Windows控制台here的一些分析。