UTF?
UTF,是UnicodeTransformationFormat的縮寫,意為Unicode轉換格式。 即怎樣將Unicode定義的數字轉換成程序數據。utf是對Unicode的一種編碼格式化。 JVM裡面的任何字符串資源都是Unicode,就是說,任何String類型的數據都是Unicode編碼。沒有例外。既然只有一種編碼,那麼,我們可以這麼說,JVM裡面的String是不帶編碼的。String相當於 char[]。
JVM裡面的 byte[] 數據是帶編碼的。比如,Big5,GBK,GB2312,UTF-8之類的(GBK並不屬於utf)。
一個GBK編碼的byte[] 轉換成 String,其實就是從GBK編碼向Unicode編碼轉換。
一個String轉換成一個Big5編碼的byte[],其實就是從Unicode編碼向Big5編碼轉換。 我們在解析的時候就要注意是不是utf編碼。
有幾種UTF?
這裡用char、char16_t、char32_t分別表示無符號8位整數,無符號16位整數和無符號32位整數。UTF-8、UTF-16、UTF-32分別以char、char16_t、char32_t作為編碼單位。
什麼是bom?
放在文件頭用於標示Unicode編碼格式。
bom會引起什麼問題?
記事本保存的文件會存儲bom,在解析的時候,在頭部會多出一個亂碼。
如何解決:
編程時根據具體的編碼類型剔除頭bom
public static String ReadFile(String path,StringFilter filter) throws IOException {
File file = new File( path);
if (! file.exists()) {
throw new IOException( "文件不存在" );
}
BufferedReader reader = null;
StringBuffer laststr = new StringBuffer();
InputStream in= new FileInputStream( file);
try {
reader = new BufferedReader( new UnicodeReader(in,"utf-8" ));
String tempString = null;
while (( tempString = reader.readLine()) != null) {
if ( filter!= null) {
tempString= filter.RemoveString( tempString);
}
laststr.append( tempString);
}
reader.close();
} catch (IOException e) {
throw new IOException( "文件讀寫錯誤" );
} finally {
if ( reader != null) {
try {
reader.close();
} catch (IOException e1) {
throw new IOException( "文件流關閉錯誤" );
}
}
}
return laststr.toString();
}