Повреждение персонажа при переходе от BufferedReader к BufferedWriter в Java

Question

В Java я пытаюсь проанализировать HTML-файл, который содержит сложный текст, такой как греческие символы.

Я сталкиваюсь с известной проблемой, когда текст содержит левую кавычку. Текст, такой как

mutations to particular “hotspot” regions

становится

 mutations to particular “hotspot�? regions

Я выделил проблему, написав простую текстовую копию:

public static int CopyFile()
{
    try
    {
    StringBuffer sb = null;
    String NullSpace = System.getProperty("line.separator");
    Writer output = new BufferedWriter(new FileWriter(outputFile));
    String line;
    BufferedReader input =  new BufferedReader(new FileReader(myFile));
while((line = input.readLine())!=null)
    {
        sb = new StringBuffer();
        //Parsing would happen
        sb.append(line);
        output.write(sb.toString()+NullSpace);
    }
        return 0;
    }
    catch (Exception e)
    {
        return 1;
    }
}

Кто-нибудь может дать совет, как исправить эту проблему?

★ мое решение

InputStream in = new FileInputStream(myFile);
        Reader reader = new InputStreamReader(in,"utf-8");
        Reader buffer = new BufferedReader(reader);
        Writer output = new BufferedWriter(new FileWriter(outputFile));
        int r;
        while ((r = reader.read()) != -1)
        {
            if (r<126)
            {
                output.write(r);
            }
            else
            {
                output.write("&#"+Integer.toString(r)+";");
            }
        }
        output.flush();

Answer 1

Считываемый файл находится не в той же кодировке (вероятно, UTF-8), что и записанный файл (вероятно, ISO-8859-1).

Попробуйте следующее для создания файла с кодировкой UTF-8:

BufferedWriter output = new BufferedWriter(new OutputStreamWriter(new FileOutputStream(outputFile),"UTF8"));

К сожалению, определить кодировку файла очень сложно. См. Java: Как определить правильную кодировку кодировки потока

Answer 2

В дополнение к тому, что написал Тьерри-Димитрий Рой, если вы знаете кодировку, вы должны создать свой FileReader с небольшой дополнительной работой. Из документов:

Удобный класс для чтения символьных файлов. Конструкторы этого класса предполагают, что кодировка символов по умолчанию и размер байтового буфера по умолчанию являются подходящими. Чтобы указать эти значения самостоятельно, создайте InputStreamReader для FileInputStream.

Answer 3

Javadoc дляFileReader говорит:

Конструкторы этого класса предполагают, что кодировка символов по умолчанию и размер байтового буфера по умолчанию являются подходящими. Чтобы указать эти значения самостоятельно, создайте InputStreamReader для FileInputStream.

В вашем случае кодировка символов по умолчанию, вероятно, не подходит. Найдите, какую кодировку использует входной файл, и укажите ее. Например:

FileInputStream fis = new FileInputStream(myFile);
InputStreamReader isr = new InputStreamReader(fis, "charset name goes here");
BufferedReader input = new BufferedReader(isr);