字符编码

Question

我得到了需要阅读和解析的html文件，这个文件可以是简单的英语，japenese，或者是该语言所需的相关字符编码的任何语言。使用任何这些编码的文件在Japenese中时会出现问题

• Shift JIS
• EUC-JP
• ISO-2022-JP

我尝试用FileReader读取文件，但生成的文件都是垃圾字符。我也尝试使用FileInputStream，只需硬编码japenese编码来检查日文文件是否正确读取但结果不符合预期。

FileInputStream fis = new FileInputStream(htmlFile);
InputStreamReader isr = new InputStreamReader(fis, " ISO-2022-JP");

我对字符编码和国际化没有太多经验，有关如何使用不同编码读/写文件的任何建议？

还有一件事，我不知道如何获取我正在阅读的html文件的字符编码，我知道我需要以相同的编码编写文件，但不知道如何获取原始文件的编码 谢谢，

Answer 1

• 忘记FileReader存在，它隐含地使用平台默认编码，这使得它几乎没用。
• 使用硬编码编码的代码是正确的，但编码本身除外，它具有前导空格。如果删除它，代码应正确读取ISO-2022-JP编码文件
• 至于获取HTML文件的字符编码，可以通过多种方式进行传输
  • 在Content-Type HTTP header的HTTP级别上 - 但这仅在您从网络服务器读取文件时可用，而不是在将其保存为文件时
  • 作为对应的META HTML tag：<META http-equiv="Content-Type" content="text/html; charset=EUC-JP">
  • 或者，如果文档类型为XHTML，则in the XML declaration：<?xml version="1.0" encoding="UTF-8"?>