java - 如何将 Cp1252 字节数组转换为正确的字符串？

Question

大家好，代码如下:

File file2 = new File("D://deploy//body.txt");

byte[] bytes = loadFile(file2);
System.out.println(bytes.length);

StringBuffer buffer = new StringBuffer();
InputStream inputStream = new ByteArrayInputStream(bytes);
InputStreamReader reader = new InputStreamReader(inputStream,"CP1252");
Reader in = new BufferedReader(reader);
int ch;
while ((ch = in.read()) > -1) {
    buffer.append((char)ch);
}
in.close(); 
System.out.println(buffer.toString().getBytes().length);

最终结果是字节数组的长度为1576和2439。将 CP1252 字节数组转换为字符串并保留正确大小的正确方法是什么？谢谢

Answer 1

我注意到你的短语 - “正确的字符串”，并想指出在你的情况下不存在正确或不正确的字符串。这是正确或不正确的编码。

您正在读取 cp1252 字节的字节序列，并将各个字符附加到缓冲区中。如果原始文件在cp1252中，则此过程没有问题。在底层，InputStreamReader 使用 CharsetDecoder它能够将流的底层字符集解码为十六位 Unicode 字符 (UTF-16) 序列。这已经完成，因为您正在从字节流中读取字符。

As pointed out by bmargulies ，当您执行buffer.toString().getBytes()时您正在将这些 UTF-16 字符序列转换为与平台具有相同编码的字节序列。由于这不是 cp1252，因此原始字节数组和转换后的字节数组的长度不可比较。将字符集指定为 getBytes()方法导致使用 StringEncoder(这是 Oracle/Sun JVM 的内部类；其他实现可能使用不同的类)将 UTF-16 字符序列转换为所需编码 (cp1252) 中的字节序列。