Я читал этуКакую кодировку использовать при чтении в исходном файле java?
Should source code be saved in UTF-8 format
и я использую компилятор LIB затмение, но нужно прочитать некоторые источник файлов Java, чтобы кормить его в эту библиотеку. Кажется, он может храниться в разных форматах с этого поста.
Есть ли один Charset, который я могу использовать для его чтения, чтобы он работал каждый раз. Charset.forName («UTF-8»), может быть?
спасибо, Дин
Любой инструмент может написать исходный код Java в любой кодировке. Даже идея .java-файла не определена Java Language Spec. Любой IDE может сохранять исходный код Java любым способом, которым он хочет † с любой кодировкой.
Инструменты несут ответственность за предоставление в полном объеме последовательности символов, совместимых с Unicode, в инструментальную цепочку компилятора. Как они собирают и сохраняют исходный код, зависит от конкретных инструментов.
Состояния Язык спецификации Java в Chapter 3 Lexical Structure:
Программы, написанные с использованием набора символов Unicode. Информация об этом наборе символов и связанных с ним кодировках символов может быть найдена по адресу http://www.unicode.org/.
Так предположительно файл исходного кода Java будет использовать один из кодировки символов, общих с Unicode, такие как UTF-8, UTF-16 или UCS-2.
Section 3.2 Lexical Translations упоминает, что программа Java может использовать кодирование, такие как ASCII путем внедрения Юникода ускользает:
Юникода побег вида \ ихххх, где хххх является значением hexadecimal, представляет собой кодовый блок UTF-16 чье кодирование равно xxxx.
Хотя UTF-8 распространен в моем опыте, это не единственная возможная кодировка. Вы должны знать или угадывать кодировку какого-либо конкретного исходного файла, и вы должны учитывать расширение любых экранов Unicode.
Кстати, обратите внимание, что по крайней мере в Oracle JDK, то byte order mark (BOM)optional to UTF-8 файлов не разрешено в Java из-за ошибки (JDK-4508058), который никогда не будет фиксированной (из-за отсталой -совместимость).
Также обратите внимание, что line terminators может отличаться: символы ASCII CR (ПЕРЕВОЗКА ПЕРЕВОЗКИ), или LF (LINE FEED), или CR LF.
White space различается: SPACE (SP), ХАРАКТЕРНАЯ ТАБУЛЯЦИЯ (HT) (горизонтальная вкладка), FORM FEED (FF) и терминаторы линий.
Прочитать спецификацию для получения дополнительной информации.Например, в отношении заменителя характера:
В качестве специальной концессии для совместимости с некоторыми операционными системами, в ASCII SUB символ (\ u001a, или управление-Z) игнорируется, если он является последним символом в экранированном ввода поток.
Убедитесь, что вы понимаете основы Unicode и кодировки символов. Лучшее место для начала: The Absolute Minimum Every Software Developer Absolutely, Positively Must Know About Unicode and Character Sets (No Excuses!) от Joel Spolsky.
† Даже предполагаемые правила, такие как «один публичный класс в .java файл» может быть определена с помощью специальных инструментов, а не самой Java. Инструменты CodeWarrior для Java-обратного пути - при поддержке нескольких классов для каждого файла.
Хорошая запись, но вы не полностью покрываете точку вопроса, то есть кодировку исходных файлов .java. ['javac'] (https://docs.oracle.com/javase/8/docs/technotes/tools/windows/javac.html) по умолчанию будет отображаться на кодовой странице ОС: * Если параметр' -encoding' не является указанным, тогда используется ** конвертер ** по умолчанию **. Eclipse (упомянутый в комментарии) может обрабатывать, что каждый исходный файл '.java' использует другую кодовую страницу, но если вы когда-либо захотите скомпилировать вне Eclipse, вы лучше использовать только одну кодовую страницу для всех исходных файлов. Если это не значение по умолчанию, оно должно быть явно указано. – Andreas
@Andreas Кажется, вы сосредоточены на * выводе * на предполагаемом факте, что Eclipse переносит смесь исходных файлов в различных кодировках символов. Если true для Eclipse вообще и для «eclipse compiler lib» в частности, (я не знаю таких фактов), это кажется достаточно важным, чтобы гарантировать публикацию в качестве другого ответа здесь. Но мой ответ ссылается на заголовок («при чтении в исходном файле java») и последнее предложение («одна кодировка, которую я могу использовать для чтения»), о * input *, о том, какую кодировку символов ожидать с исходными файлами Java. Как мой вступительный заголовок говорит: «Кодировки символов меняются». –
Не знаю, где вы получили * выход * из. Я говорю о кодировании исходных файлов '.java', т. Е. * Input * в java-компиляторе. Я хотел сказать, что хотя Eclipse поддерживает смешанные кодировки символов, 'javac', Ant, Maven, Gradle и т. Д. Все делают массовую компиляцию с использованием одной кодировки, поэтому рекомендуется использовать одну кодировку для всех исходных файлов. Конечно, если вы только когда-либо создаете с помощью Eclipse, вы можете использовать функцию смешанной кодировки, но не иметь инструмента сборки в дополнение к инструменту IDE редко, по крайней мере, вне школ. – Andreas
Нет. Вы должны прочитать файл, используя тот же набор символов, который использовался для сохранения файла, что бы это ни было. Обычно это собственная кодовая страница ПК, например. 'CP1252', если вы используете Windows в США. Вы можете стандартизировать свои собственные источники Java, чтобы всегда использовать UTF-8, если хотите, но любые файлы, которые вы получаете из других источников, возможно, необходимо будет преобразовать. – Andreas
, так есть способ определить кодировку файлов? –
К сожалению, нет. Файлы UTF-16 обычно легко идентифицируются с помощью спецификации. Файлы UTF-8 не должны иметь спецификацию, поэтому нет никакой возможности увидеть разницу между UTF-8, CP1252, ISO 8859-1, CP1251 или любой другой кодовой страницей. – Andreas