当前位置： 首页 > news >正文

Java中常见的编码集问题

news 2025/6/29 16:51:39

在这里插入图片描述

收录于热门专栏Java基础教程系列（进阶篇）

一、遇到一个问题

1、读取CSV文件

package com.guor.demo.charset;import java.io.BufferedReader;
import java.io.FileReader;
import java.util.ArrayList;
import java.util.HashMap;
import java.util.List;
import java.util.Map;public class CommonUtils {public static List<Map<String, Object>> readCSVToList(String filePath) throws Exception {List<Map<String, Object>> list = new ArrayList<Map<String, Object>>();BufferedReader reader = null;try {reader = new BufferedReader(new FileReader(filePath));String[] headtilte = reader.readLine().split(",");String line = null;while ((line = reader.readLine()) != null) {HashMap<String, Object> hashMap = new HashMap<String, Object>();String[] itemArray = line.split(",");for (int i = 0; i < itemArray.length; i++) {hashMap.put(headtilte[i], itemArray[i]);}list.add(hashMap);}} catch (Exception e) {e.printStackTrace();} finally {if (null != reader) {reader.close();}}return list;}public static void main(String[] args) throws Exception {String filePath = "H:\\CSDN\\netty\\编码集问题\\test.csv";System.out.println(readCSVToList(filePath));}
}

2、控制台输出

在这里插入图片描述
这是什么鬼？
在这里插入图片描述
原来我的csv文件的编码集是带BOM的UTF-8，没听过啊，众里寻他千百度。

二、带有BOM的UTF-8

1、BOM

在UCS 编码中有一个叫做 “Zero Width No-Break Space” ，中文译名作“零宽无间断间隔”的字符，它的编码是 FEFF。而 FEFF 在 UCS 中是不存在的字符，所以不应该出现在实际传输中。UCS 规范建议我们在传输字节流前，先传输字符 “Zero Width No-Break Space”。这样如果接收者收到 FEFF，就表明这个字节流是 Big-Endian 的；如果收到FFFE，就表明这个字节流是 Little- Endian 的。因此字符 “Zero Width No-Break Space” （“零宽无间断间隔”）又被称作 BOM。

2、UTF-8

UTF-8（8位元，Universal Character Set/Unicode Transformation Format）是针对Unicode的一种可变长度字符编码。它可以用来表示Unicode标准中的任何字符，而且其编码中的第一个字节仍与ASCII相容，使得原来处理ASCII字符的软件无须或只进行少部分修改后，便可继续使用。因此，它逐渐成为电子邮件、网页及其他存储或传送文字的应用中，优先采用的编码。

3、UTF-8 BOM

UTF-8 不需要 BOM 来表明字节顺序，但可以用 BOM 来表明编码方式。字符 “Zero Width No-Break Space” 的 UTF-8 编码是 EF BB BF。所以如果接收者收到以 EF BB BF 开头的字节流，就知道这是 UTF-8编码了。Windows 就是使用 BOM 来标记文本文件的编码方式的。

4、CSV文件乱码问题

类似WINDOWS自带的记事本等软件，在保存一个以UTF-8编码的文件时，会在文件开始的地方插入UTF-8 BOM头。记事本等编辑器通过它来识别这个文件是否以UTF-8编码(当然即便没有UTF-8 BOM头记事本也能通过其它方式正确识别UTF-8编码)。

三、编码解码

在计算机发展初期，美国等少数国家最先给自己的语言设置了一套编码，即ASCII。因为英语只有26个英文字母及一些常见的符号即可，因此只需要一个字节的 7 位（即 128 个整数）就能完全表示英文字符。

但随着计算机的发展，欧洲一些国家也需要为自己的语言设置一套编码，ASCII的128个字符不够用了，因此就产生了第二套编码类型 ISO-8859-1 ~ ISO-8859-15，其中使用最广泛的是ISO-8859-1，ISO-8859-1使用了一个字节的 8 位，可以表示256个字符。为了避免乱码问题，ISO-8859-1完全兼容ASCII，ISO-8859-1的前128位和ASCII完全一致，后128个字符才是ISO-8859-1自身新扩展的字符编码。

后来，中国也给汉语设置了一套编码，提出了适合汉语的编码集GB2312。GB2312包含了682个英文、字母等符号及常见的6763个简体中文，我勒个去，中华上下五千年，博大精深啊。

再后来，为了将简体中文和繁体中文兼容到字符集里，又发布了新的编码集GBK。GBK实际是GB2312的扩展，使用1个字节存储ASCII中的字符，使用2个字节存储一个中文汉字。

最后，为了给世界上的所有字符设置一套统一的编码集，出台了统一的字符集规范Unicode（国际标准字符集）。其中就包含最著名的UTF-8。

UTF-8是ASCII的超集，ASCII中每个字符的编码与UTF-8是完全一致的，因此当用UTF-8存储汉字或其他字符时，可能会使用2个、3个或4个字节。

  1. 1个字节：英文，数字，回车符，ASCII中的常用符号+、-、*、/等；
  2. 2个字节：个别特殊符号；
  3. 3个字节：常见汉字，在GBK中存在的汉字；
  4. 4个字节：中日韩等超大字符集里面的汉字；

在java.nio.charset.Charset类中，提供了一些编码及常用方法。

四、解决读取“带有BOM的UTF-8文件乱码”问题

1、读取文件编码集

按照给定的字符集存储文件时，在文件的最开头的三个字节中就有可能存储着编码信息，所以，基本的原理就是只要读出文件前三个字节，判定这些字节的值，就可以得知其编码的格式。其实，如果项目运行的平台就是中文操作系统，如果这些文本文件在项目内产生，即开发人员可以控制文本的编码格式。

2、用指定的编码格式读取文件流，写入文件流

（1）读取CSV文件

public static List<String[]> readCSVToListByUnicode(String filePath) {FileInputStream fis = null;UnicodeInputStream uin = null;InputStreamReader in= null;try {//logger.info("读取文件"+filePath+"编码集");List<String[]> list = new ArrayList<String[]>();//URL url = new URL(filePath);File f  = new File(filePath);fis = new FileInputStream(f);uin = new UnicodeInputStream(fis,enc);  //如果是本地将url.openStream -> new FileInputStream(f)enc = uin.getEncoding(); // check and skip possible BOM bytesif (enc == null){in = new InputStreamReader(uin);}else {in = new InputStreamReader(uin, enc);}long start = System.currentTimeMillis();//logger.info("读取文件"+filePath+"查看耗时开始");BufferedReader reader = new BufferedReader(in);//BufferedReader reader = new BufferedReader(new InputStreamReader(new FileInputStream("D:/tags.txt"),"utf-8"));//String tmp =reader.readLine();String[] headtilte = reader.readLine().split(",");list.add(headtilte);String line = null;String[] itemArray = null;while ((line = reader.readLine()) != null) {itemArray = line.split(",");list.add(itemArray);}long end = System.currentTimeMillis();//logger.info("读取文件"+filePath+"查看耗时="+(end-start)+"毫秒");return list;}catch (Exception e){logger.info("读取文件"+filePath+"，异常：", e);return null;}finally {try {if(in!=null){in.close();}if(uin!=null){uin.close();}if(fis!=null){fis.close();}}catch (Exception e){logger.info("读取文件"+filePath+"，关闭流异常：", e);}}}

（2）获取文件编码集

package com.guor.demo.utils;import org.slf4j.Logger;
import org.slf4j.LoggerFactory;import java.io.IOException;
import java.io.InputStream;
import java.io.PushbackInputStream;public class UnicodeInputStream extends InputStream {private static final Logger logger = LoggerFactory.getLogger(UnicodeInputStream.class);PushbackInputStream internalIn;boolean isInited = false;String defaultEnc;String encoding;private static final int BOM_SIZE = 4;public UnicodeInputStream(InputStream in, String defaultEnc) {internalIn = new PushbackInputStream(in, BOM_SIZE);this.defaultEnc = defaultEnc;}public String getDefaultEncoding() {return defaultEnc;}public String getEncoding() {if (!isInited) {try {init();} catch (IOException ex) {IllegalStateException ise = new IllegalStateException("Init method failed.");ise.initCause(ise);throw ise;}}return encoding;}/*** Read-ahead four bytes and check for BOM marks. Extra bytes are* unread back to the stream, only BOM bytes are skipped.*/protected void init() throws IOException {if (isInited) {return;}byte bom[] = new byte[BOM_SIZE];int n, unread;n = internalIn.read(bom, 0, bom.length);//logger.info("文件的前四个字符==="+bom[0]+","+bom[1]+","+bom[2]+","+bom[3]);if ( (bom[0] == (byte)0x00) && (bom[1] == (byte)0x00) &&(bom[2] == (byte)0xFE) && (bom[3] == (byte)0xFF) ) {encoding = "UTF-32BE";unread = n - 4;} else if ( (bom[0] == (byte)0xFF) && (bom[1] == (byte)0xFE) &&(bom[2] == (byte)0x00) && (bom[3] == (byte)0x00) ) {encoding = "UTF-32LE";unread = n - 4;} else if (  (bom[0] == (byte)0xEF) && (bom[1] == (byte)0xBB) &&(bom[2] == (byte)0xBF) ) {encoding = "UTF-8";unread = n - 3;} else if ( (bom[0] == (byte)0xFE) && (bom[1] == (byte)0xFF) ) {encoding = "UTF-16BE";unread = n - 2;} else if ( (bom[0] == (byte)0xFF) && (bom[1] == (byte)0xFE) ) {encoding = "UTF-16LE";unread = n - 2;} else {// Unicode BOM mark not found, unread all bytesencoding = defaultEnc;unread = n;}//System.out.println("read=" + n + ", unread=" + unread);if (unread > 0) {internalIn.unread(bom, (n - unread), unread);}isInited = true;}@Overridepublic void close() throws IOException {//init();isInited = true;internalIn.close();}@Overridepublic int read() throws IOException {//init();isInited = true;return internalIn.read();}
}

收录于热门专栏Java基础教程系列（进阶篇）
在这里插入图片描述

Java学习路线总结，搬砖工逆袭Java架构师

10万字208道Java经典面试题总结(附答案)

Java基础教程系列

Java基础教程系列（进阶篇）

http://www.lryc.cn/news/8876.html

相关文章：

  • 数据结构与算法（Java版） | 就让我们来看看几个实际编程中遇到的问题吧！
  • 【C++算法】dfs深度优先搜索(上) ——【全面深度剖析+经典例题展示】
  • 总结高频率Vue面试题
  • IP协议详解
  • webpack5 基础配置
  • IDEA入门安装使用教程
  • Lambda表达式使用及详解
  • JAVA练习52-打家劫舍
  • 简单谈一谈幂等测试
  • typescript复习笔记
  • webstorm开发electron，调试主进程方案
  • 2W字正则表达式基础知识总结，这一篇就够了！！（含前端常用案例，建议收藏）
  • 自学web前端觉得好难，可能你遇到了这些困境
  • ASEMI中低压MOS管18N20参数，18N20封装，18N20尺寸
  • [NetBackup]客户端安装后server无法连通client
  • 黑马Java后端项目实战--在线聊天交友
  • 【实战系列 2】Yapi接口管理平台Getshell-Linux后门权限维持与痕迹清除
  • 设计模式之抽象工厂模式(C++)
  • Kotlin新手教程一（Kotlin简介及环境搭建）
  • 【虚拟仿真】Unity3D打包WEBGL实现全屏切换
  • java对象内存结构分析与大小计算
  • RabbitMQ学习（七）：交换器
  • cmd命令大全
  • Git的使用方法（保姆级）
  • TypeScript 学习之泛型
  • 新手学习node.js基础,node.js安装过程,node.js运行环境及javascript运行环境.
  • Maven的安装步骤(保姆级安装教程)
  • Axure教程（一）——线框图与高保真原型图制作
  • wholeaked：一款能够追责数据泄露的文件共享工具
  • 动态规划——股票问题全解