我正在处理对文件执行各种 IO 操作的代码，我想让它能够处理国际文件名。我正在使用 Java 1.5 的 Mac 上工作，如果文件名包含需要代理项的 Unicode 字符，JVM 似乎无法找到该文件。比如我的测试文件是:
"草鸦外.gif" 被分解为 Java 字符 \u8349\uD85B\uDFF6\u9DD7\u5916.gif
如果我从这个文件名创建一个文件，我无法打开它，因为我得到一个 FileNotFound 异常。即使在包含文件的文件夹上使用它也会失败:
File[] files = folder.listFiles();
for (File file : files) {
if (!file.exists()) {
System.out.println("Failed to find File"); //Fails on the surrogate filename
}
}
我实际处理的大部分代码都是以下形式:
FileInputStream instream = new FileInputStream(new File("草鷗外.gif"));
// operations follow
有什么方法可以解决这个问题，转义文件名或以不同方式打开文件？
最佳答案
我怀疑 Java 或 Mac 之一正在使用 CESU-8而不是正确的 UTF-8。 Java 出于各种内部目的使用“修改后的 UTF-8”(这是 CESU-8 的轻微变体)，但我不知道它可以将其用作文件系统/默认字符集。不幸的是，我这里既没有 Mac 也没有 Java 可以用来测试。
“修改”是“严重错误”的修改方式。而不是为像𦿶这样的补充(非BMP)字符输出一个四字节的UTF-8序列:
\xF0\xA6\xBF\xB6
它为每个代理输出一个 UTF-8 编码的序列:
\xED\xA1\x9B\xED\xBF\xB6
这不是有效的 UTF-8 序列，但许多解码器无论如何都会允许它。问题是，如果您通过真正的 UTF-8 编码器来回传输，您会得到一个不同的字符串，即上面的四字节字符串。尝试访问具有该名称的文件和繁荣!失败。
所以首先让我们检查一下文件名实际上是如何存储在您当前的文件系统中的，使用一个使用字节作为文件名的平台，例如 Python 2.x:
$ python
Python 2.x.something (blah blah)
Type "help", "copyright", "credits" or "license" for more information.
>>> import os
>>> os.listdir('.')
在我的文件系统(Linux、ext4、UTF-8)上，文件名“草𦿶鸭外.gif”显示为:
['\xe8\x8d\x89\xf0\xa6\xbf\xb6\xe9\xb7\x97\xe5\xa4\x96.gif']
这就是你想要的。如果那是你得到的，那可能是 Java 做错了。如果你得到更长的六字节字符版本:
['\xe8\x8d\x89\xed\xa1\x9b\xed\xbf\xb6\xe9\xb7\x97\xe5\xa4\x96.gif']
可能是 OS X 做错了……它总是这样存储文件名吗？ (或者这些文件最初是否来自其他地方？)如果您将文件重命名为“正确的”版本会怎样？:
os.rename('\xe8\x8d\x89\xed\xa1\x9b\xed\xbf\xb6\xe9\xb7\x97\xe5\xa4\x96.gif', '\xe8\x8d\x89\xf0\xa6\xbf\xb6\xe9\xb7\x97\xe5\xa4\x96.gif')
关于Java 无法打开文件名中包含替代 Unicode 值的文件？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/1545625/