在 Java 中将 UTF-8 转换为 ISO-8859-1

java utf-8 character-encoding iso-8859-1

2022-09-04 01:16:23

我正在阅读 XML 文档（UTF-8），并最终使用 ISO-8859-1 在网页上显示内容。正如预期的那样，有一些字符未正确显示，例如和（它们显示为？）。“–’

是否可以将这些字符从 UTF-8 转换为 ISO-8859-1？

以下是我为尝试此操作而编写的代码片段：

BufferedReader br = new BufferedReader(new InputStreamReader(urlConnection.getInputStream(), "UTF-8"));
StringBuilder sb = new StringBuilder();

String line = null;
while ((line = br.readLine()) != null) {
  sb.append(line);
}
br.close();

byte[] latin1 = sb.toString().getBytes("ISO-8859-1");

return new String(latin1);

我不太确定出了什么问题，但我相信是readLine（）导致了悲伤（因为字符串将是Java / UTF-16编码的？）。我尝试的另一个变体是将latin1替换为

byte[] latin1 = new String(sb.toString().getBytes("UTF-8")).getBytes("ISO-8859-1");

我已经阅读了以前关于这个主题的文章，我正在边走边学。提前感谢您的帮助。

答案 1

我不确定标准库中是否有规范化例程可以执行此操作。我不认为“智能”引号的转换是由标准的Unicode规范化程序例程处理的 - 但不要引用我的话。

明智的做法是转储ISO-8859-1并开始使用。也就是说，可以将任何通常允许的 Unicode 码位编码为编码为的 HTML 页面。您可以使用转义序列对它们进行编码，如下所示：UTF-8ISO-8859-1

public final class HtmlEncoder {
  private HtmlEncoder() {}

  public static <T extends Appendable> T escapeNonLatin(CharSequence sequence,
      T out) throws java.io.IOException {
    for (int i = 0; i < sequence.length(); i++) {
      char ch = sequence.charAt(i);
      if (Character.UnicodeBlock.of(ch) == Character.UnicodeBlock.BASIC_LATIN) {
        out.append(ch);
      } else {
        int codepoint = Character.codePointAt(sequence, i);
        // handle supplementary range chars
        i += Character.charCount(codepoint) - 1;
        // emit entity
        out.append("&#x");
        out.append(Integer.toHexString(codepoint));
        out.append(";");
      }
    }
    return out;
  }
}

用法示例：

String foo = "This is Cyrillic Ya: \u044F\n"
    + "This is fraktur G: \uD835\uDD0A\n" + "This is a smart quote: \u201C";

StringBuilder sb = HtmlEncoder.escapeNonLatin(foo, new StringBuilder());
System.out.println(sb.toString());

上面，字符左双引号（“ ）编码为 “。其他几个任意码位也同样被编码。U+201C

这种方法需要小心。如果您的文本需要对 HTML 进行转义，则需要在上述代码或 & 符号最终被转义之前完成。

答案 2

根据您的默认编码，以下行可能会导致问题，

byte[] latin1 = sb.toString().getBytes("ISO-8859-1");

return new String(latin1);

在Java中，String/Char总是在UTF-16BE中。仅当将字符转换为字节时，才会涉及不同的编码。假设您的默认编码是UTF-8，缓冲区被视为UTF-8，并且某些Latin-1序列可能会形成无效的UTF-8序列，您将获得？。latin1