我们知道,Unicode是现在包含所有语言字符的编码方式,但是在日常学习和开发中,我们还是会接触到其他不同的encoding,比如GB18030, ISO-8859-1等。那么对于不同的encoding,Java读取文件时候是怎么样处理的呢?
首先,JVM有个属性设置default encoding,JVM在没有指定encoding的情况下会使用default encoding进行IO操作。
在eclipse里面,可以在Properties一栏对单个Java文件或者整个项目进行Text file encoding的设置。这个设置,一方面告诉eclipse当前Java文件的encoding以便进行compile;另一方面也是启动JVM以后的IO操作等的 default encoding。
可以用如下方法得到default encoding:
Charset def = Charset.defaultCharset();
System.out.println("defaultCharset == "+def);
defaultCharset == ISO-8859-1
可以在JVM启动的时候加上参数告诉JVM default encoding是什么,方法是 –Dfile.encoding = XXXX
当JVM以default encoding启动程序后,根据文件本身的encoding和default encoding会产生多种结果,如下表 (注:这里的文件内容都是不超过ASCII的 codepoint,所以除了UTF 8 with BOM的文件多了BOM头,其他的内容都相同;因为如果有非ASCII的字符出现,根据编码的规则,不同encoding读取肯定有问题)
default(file) encoding | ASCII 文件 | UTF8 文件 | UTF 8 with BOM 文件 |
UTF8 | OK | OK | OK, read (EF BB BF) 后面parse有可能引起问题 |
GB18030 | OK | OK | Exception defaultCharset == GB18030 sun.io.MalformedInputException at sun.io.ByteToCharGB18030.convert(ByteToCharGB18030.java:171) at sun.nio.cs.StreamDecoder$ConverterSD.convertInto(StreamDecoder.java:314) at sun.nio.cs.StreamDecoder$ConverterSD.implRead(StreamDecoder.java:364) at sun.nio.cs.StreamDecoder.read(StreamDecoder.java:250) at java.io.InputStreamReader.read(InputStreamReader.java:212) at java.io.BufferedReader.fill(BufferedReader.java:157) at java.io.BufferedReader.readLine(BufferedReader.java:320) at java.io.BufferedReader.readLine(BufferedReader.java:383) at TestRead.main(TestRead.java:35) |
ISO-8859-1 | OK | OK | Can read, but read wrongly (EF BB BF) (C3 AF C2 BB C2 BF) |
所以,读UTF8 with BOM必须声明为UTF8的encoding,并且对读到的BOM头EF BB BF自行进行处理。因为Java本身(1.6之前)并不会忽略掉BOM
See: (http://bugs.sun.com/bugdatabase/view_bug.do?bug_id=4508058) UTF-8 encoding does not recognize initial BOM
Question 1: 在ISO-8859-1的情况下读UTF8 with BOM,发现readline()会读成(EF BB BF) ->
(C3 AF C2 BB C2 BF),但是用read() 却可以读出前三个char: EF BB BF。事实上,这两个函数都会调用InputStream的read 方法,也就是有decode产生
default(file) encoding | Readline() | Read() |
UTF8 | OK read (EF BB BF) 后面parse有可能引起问题 | OK, read the three bytes of BOM: EF BB BF |
GB18030 | Exception defaultCharset == GB18030 sun.io.MalformedInputException at sun.io.ByteToCharGB18030.convert(ByteToCharGB18030.java:171) at sun.nio.cs.StreamDecoder$ConverterSD.convertInto(StreamDecoder.java:314) at sun.nio.cs.StreamDecoder$ConverterSD.implRead(StreamDecoder.java:364) at sun.nio.cs.StreamDecoder.read(StreamDecoder.java:250) at java.io.InputStreamReader.read(InputStreamReader.java:212) at java.io.BufferedReader.fill(BufferedReader.java:157) at java.io.BufferedReader.readLine(BufferedReader.java:320) at java.io.BufferedReader.readLine(BufferedReader.java:383) at TestRead.main(TestRead.java:35) | Exception defaultCharset == GB18030 sun.io.MalformedInputException at sun.io.ByteToCharGB18030.convert(ByteToCharGB18030.java:171) at sun.nio.cs.StreamDecoder$ConverterSD.convertInto(StreamDecoder.java:314) at sun.nio.cs.StreamDecoder$ConverterSD.implRead(StreamDecoder.java:364) at sun.nio.cs.StreamDecoder.read(StreamDecoder.java:250) at java.io.InputStreamReader.read(InputStreamReader.java:212) at java.io.BufferedReader.fill(BufferedReader.java:157) at java.io.BufferedReader.readLine(BufferedReader.java:320) at java.io.BufferedReader.readLine(BufferedReader.java:383) at TestRead.main(TestRead.java:35) |
ISO-8859-1 | Can read, but read wrongly (EF BB BF) -> (C3 AF C2 BB C2 BF) | OK, read the three bytes of BOM: EF BB BF |
读写XML 文件的利器JDOM 本身可以处理BOM(有无BOM都可以handle),所以对于UTF8 with BOM,送给Jdom是没有问题的