中文系统下,UTF-8编码文本文件读取导致的错误

一、UTF-8编码文件读取导致的错误

有个txt文件,里面内容为:

aaa
bbb
ccc

以UTF-8编码方式打开txt文件,顺序读取,将里面的值放到一个hashset中,并判断aaa是否在在hashset中

class
{
public static void main(String[] args)
{
try
{
HashSet<String> specialCateSet= new HashSet<String>();
FileInputStream a = new FileInputStream("d://test.txt");
String encoding = "UTF-8";
InputStreamReader b = new InputStreamReader(a,encoding);
BufferedReader br = new BufferedReader(b); String message = br.readLine();
while (message != null)
{
specialCateSet.add(message);
message = br.readLine();
}
}
catch(Exception e)
{
e.printStackTrace();
} if(specialCateSet.contains("aaa"))
{
System.out.println("SpecialCate包含aaa");
}
else
{
System.out.println("SpecialCate不包含aaa");
}
}
}

结果输出:SpecialCateSet不包含aaa

断点跟踪SpecialCateSet中的值,里面确实包含值"aaa",但是为什么specialCateSet.contains("aaa")验证为false呢?

二、错误原因

中文操作系统下,对于UTF-8编码格式的文本文件,其前3个字节的值就是-17、-69、-65(这三个字节说明了编码方式,详情参考Java如何获取文件编码格式

修改程序如下,就直观了:

class
{
public static void main(String[] args)
{
try
{
HashSet<String> specialCateSet= new HashSet<String>();
FileInputStream a = new FileInputStream("d://test.txt");
String encoding = "UTF-8";
InputStreamReader b = new InputStreamReader(a,encoding);
BufferedReader br = new BufferedReader(b); String message = br.readLine();
while (message != null)
{
//打印输出message的byte值
byte[] a1=message.getBytes();
for(byte b1 :a1){
System.out.print(b1+ " ");
}
System.out.println();
specialCateSet.add(message);
message = br.readLine();
}
}
catch(Exception e)
{
e.printStackTrace();
}
}
}

结果输出如下,其中a的ascll为97,b:98,c:99
-17 69 65 97 97 97

98 98 98

99 99 99

因此specialCateSet中存放三个字符串值aaa(byte字节为:-17 69 65 97 97 97),bbb(byte字节为:-98 98 98),ccc(byte字节为:-99 99 99),其中虽然在java中显示specialCateSet包含字符串aaa,但是这个字符串aaa的byte字节为(-17 69 65 97 97 97),而在后面判断中specialCateSet.contains("aaa"),在java中定义的aaa byte字节为(97 97 97),因此验证不通过。

通俗来讲,文本文件中读取的aaa的byte字节为(-17 69 65 97 97 97),其中包含有3个byte的编码值,但是在java中显示时将头三位的编码值忽略了,因此在java中显示的值为aaa,而直接在java中定义的字符串aaa的byte字节为(97 97 97),两者虽然显示一致,但是对应的字节值不同,以及各自的hashcode值也不同,因此java判断此aaa不同于彼aaa

三、解决办法

1、最简单的,在txt中空出第一行不用即可,因为就头三位是编码信息

2、读取第一行时,将编码信息去除即可

上一篇:Markdown学习


下一篇:Python 学习记录