Java 在使用ApacheTika解析文本时，如何指定编码？

这个问题不言自明

我面临的问题是，我在网上找到的任何Tika示例代码都使用StringWriter，如下所示。如果我能以某种方式使用OutputStreamWriter，我可以毫无问题地指定编码。。。任何帮助都将不胜感激

InputStream inStream = new FileInputStream(pathname);
StringWriter sw = new StringWriter();
SAXTransformerFactory factory = (SAXTransformerFactory)SAXTransformerFactory.newInstance();
TransformerHandler handler = factory.newTransformerHandler();
handler.getTransformer().setOutputProperty(OutputKeys.METHOD,"html");
handler.getTransformer().setOutputProperty(OutputKeys.INDENT,"no");
handler.setResult(new StreamResult(sw));
parser.parse(inStream, handler, metadata, context);

---

如果解析文本，可以使用传统IO指定编码

您可以通过元数据对象设置编码。 我用过这个片段：

import org.apache.tika.metadata.Metadata;

Metadata metadata = new Metadata();
metadata.add(Metadata.CONTENT_ENCODING, DATAFILE_CHARSET);
String parsedString = tika.parseToString(inputStream, metadata);

默认情况下，tika在解析html时会尝试确定编码本身。

---

但有时这可能会导致错误。

当您将StringWriter中的字符串转换为被写入的内容时，是否可以设置编码？我该怎么做？问题是，在这一点之后，我必须对字符串做一些处理，因此我基本上是在做sw.toString（）并使用该结果来操作它。但这会丢失编码…Java中的字符串总是Unicode。您只需要在读取字节/文件/流并将其转换为字符串时担心编码问题，以及在再次写入字符串时担心编码问题。因此，类似于

newfileoutputstream（“test.txt”）.write（“test.getBytes”（“iso-8859-1”）

可以在一个集合编码中输出字符串，请您对这个答案进行扩展以使其更有用。详细信息请参见org.apache.tika.parser.html.HtmlParser.getEncoding（），不幸的是，tika将此作为一个建议，所以我遇到了tika使用另一种（错误）编码的文件，但在大多数情况下这是有帮助的。