使用Java中的不受支持和/或多个字符集处理输入

Question

我正在编写一个Java（7 SE）应用程序来摄取各种基于文本的输入，并担心会遇到JRE不支持的字符集/编码（例如这个应用程序将在Linux上运行框，但将摄取在每个主要操作系统上生成的文件等。）。

首先，如果IOException遇到不受支持的字符集/编码，是否可以捕获InputStreamReader（或类似字符）？

那么包含多个编码的输入呢？假设我们有4种不同类型的输入：

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

如果我们正在阅读其中一个输入并开始遇到多个（但支持的）字符编码，该怎么办？ JRE本身是否处理此问题，或者我是否必须拥有多个读者，每个读者都配置了自己的字符集/编码？

在这种情况下，我可以将流输入“标准化”为单个标准化（最可能是UTF-8）的设置/编码吗？提前谢谢。

Answer 1

要回答您的第一个问题，您可以创建一个CharsetDecoder，并指定在遇到格式错误的输入时您想要发生的事情。

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

至于捕获不支持整个字符集的情况，它看起来像：

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

但我不确定多种编码方式。我认为单个二进制流有多种编码是非常不寻常的。流必须有一些指示编码更改的自定义方式。您必须一次从流中读取一个字符以查找该指标。如果遇到它，则必须使用新编码在同一个流上创建新的阅读器。

在所有情况下，在Java中，一旦你从一个字节流转到一个字符流，这些字符将在没有任何特定编码的情况下在内存中表示，所以除非你要保存，否则不需要规范化数据在某处退出。如果您打算稍后将该数据保存回文件，那么我强烈建议您选择一种编码并坚持使用它来存储所有数据。