我正在尝试用 java 解析一些 word 文档。有些值是日期范围之类的东西,而不是像 Startdate - endDate 那样显示,我得到了一些像这样的时髦字符
StartDate ΓÇô EndDate
这是 word 放置特殊字符连字符的地方。您能否搜索这些字符并将它们替换为常规 - 或字符串中的某些内容,以便我可以在“-”上标记化以及该字符是什么 - ascii? unicode 还是什么?
编辑添加一些代码:
String projDateString = "08/2010 ΓÇô Present"
Charset charset = Charset.forName("Cp1252");
CharsetDecoder decoder = charset.newDecoder();
ByteBuffer buf = ByteBuffer.wrap(projDateString.getBytes("Cp1252"));
CharBuffer cbuf = decoder.decode(buf);
String s = cbuf.toString();
println ("S: " + s)
println("projDatestring: " + projDateString)
输出如下:
S: 08/2010 ΓÇô Present
projDatestring: 08/2010 ΓÇô Present
此外,使用上面相同的 projDateString,如果我这样做:
projDateString.replaceAll("\u0096", "\u2013");
projDateString.replaceAll("\u0097", "\u2014");
然后打印出projDateString,它仍然打印为
projDatestring: 08/2010 ΓÇô Present
最佳答案
您可能得到的是 Windows-1252,它是一个字符集,而不是编码。 (Torgamus - 谷歌搜索 Windows-1232 没有给我任何信息。)
Windows-1252,以前称为“Cp1252”,几乎是 Unicode,但在相同位置保留了一些来自 Cp1252 的字符。 En Dash 是属于 Unicode C1
的字符 150 (0x96)保留的控制字符范围,不应存在。
您可以搜索字符 150 并将其替换为 \u2013
这是 En Dash 的正确 Unicode 代码点。
MS 在 0x80 到 0x9f 范围内还有很多其他字符,这些字符在 Unicode 标准中保留,包括 Em Dash、项目符号及其“智能”引号。
编辑:顺便说一句,Java 在内部对字符使用 Unicode 代码点值。 UTF-8 是一种编码,Java 在将字符串写入文件或网络连接时将其用作默认编码。
说你有
String stuff = MSWordUtil.getNextChunkOfText();
在哪里MSWordUtil
将是您为了以某种方式获取 MS-Word .doc 文件的片段而编写的内容。它可能归结为
File myDocFile = new File(pathAndFileFromUser);
InputStream input = new FileInputStream(myDocFile);
// and then start reading chunks of the file
默认情况下,当您从文件中读取字节缓冲区并从中生成字符串时,Java 会将其视为 UTF-8 编码文本。正如 Torgamus 勋爵所说,有一些方法可以告诉应该使用什么编码,但如果不这样做,Windows-1252 非常接近 UTF-8,除了 C1 中的那些讨厌的字符控制范围。
在得到一些类似 stuff
的字符串之后在上面,你不会找到 \u2013
或 \u2014
在其中,您会找到 0x96 和 0x97。
那时候你应该可以做
stuff.replaceAll("\u0096", "\u2013");
在我不得不处理这个问题的代码中,我没有这样做。我循环输入 CharSequence
一次一个字符,根据 0x80 <= charValue <= 0x9f
决定如果它必须被替换,并在数组中查找用什么替换它。如果您只关心 1252 En Dash 与 Unicode En Dash,则上面的 replaceAll() 会容易得多。
关于java - 如何在 java 中解析单词创建的特殊字符,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/4000392/