Java子串打破编码

Question

我用UTF-8编码从流中读取了一些数据

String line = new String(byteArray, "UTF-8");

然后尝试找一些子序列

int startPos = line.indexOf(tag) + tag.length();
int endPos   = line.indexOf("/", startPos);

并切断它

String name = line.substring(startPos, endPos);

在大多数情况下，它工作正常，但有时候结果会被打破。例如，对于像"гордунни"这样的输入名称，我得到了"горд��нни"，"горду��ни"，"г��рдунни"等值。 由于某种原因，代理对似乎是随机破坏的。我从1000中得到了4次。

如何解决？我是否需要使用其他String方法而不是indexOf（）+ substring（）或在我的结果上使用某些编码/解码魔法？

Answer 1

在您的示例中，您可以显示byteArray，行和标记的内容吗？你还能说明将获得什么样的长度，什么是startPos以及什么是endPos？我的意思是，在字符串“гордунни”中没有“/”！为什么要计算endPos？标签内的字符串是什么？你确定substring的第二个参数是endpos而不是长度吗？确实，“гордунни”不需要代理对，因为所有代码点都低于0xFFFF，但是在你的utf-16字符串的某个地方至少有一个代理对，我敢打赌字符串的长度会给你字数元素而不是代码点的数量。我不确定Java，但在C＃length中给出了元素的数量。要获得字符/代码点的数量，您必须在C＃中使用StringInfo类。还要检查字符串中是否有一些BOM。什么是

String line = new String（byteArray，“UTF-8”）;

在做什么？字节数组是否是utf-8编码的字符串转换为utf-16？它是否包含utf-8 BOM？之后的字符串是否有utf-16LE或utf-16BE BOM？

Answer 2

为了解决“未答复”问题。队列中。

出现此问题是因为流被读取为字节块，有时会拆分多字节UTF-8字符。

通过将InputStream包装在InputStreamReader中，您将读取字符块（而不是字节块），并且多字节UTF-8字符将存活。