如何解析与java编码不同的字符串

我有一个从Word文档中读入的字符串。我想它是用“Cp1252”编码的。Java使用UTF8

如何在Cp1252中搜索该字符串中的特殊字符，并将其替换为适当的UTF8字符

具体来说，我想用一个简单的“-”替换“En-Dash”字符

下面的代码块获取来自Word文档的projDateString，并尝试执行这样的操作

    char[] test = projDateString.getBytes("Cp1252");
    for(int i = 0; i < test.length; i++){
    System.out.println "test["+ i + "] = " + Integer.toHexString((byte)test[i]);
    }
    String projDateString2 = new String(test);
    projDateString2.replaceAll("\0x96", "\u2013");
    System.out.println("projDateString2: " + projDateString)

---

正如您所看到的，replace什么也没做，println仍然给我垃圾字符，而不是纯文本“-”

转换通常是这样完成的：

String properlyEncoded = 
    new String(original.getBytes(originalEncoding), newEncoding);

---

请注意，在转换过程中某些信息不太可能丢失。

转换通常通过以下方式完成：

String properlyEncoded = 
    new String(original.getBytes(originalEncoding), newEncoding);

请注意，在转换过程中某些信息丢失的可能性不大。

Java字符串始终在UTF-16中，至少就API而言。。。但您通常可以将它们看作是“Unicode”。事实上，它们是UTF-16，只有在涉及基本多语言平面之外的字符时才真正相关，即Unicode值高于U+FFFF。它们必须在Java中表示为代理项对。但我认为你不必担心你的情况。所以只要把字符串中的值想象成“Unicode文本”，而不使用特定的编码。。。特别是，在UTF-8或CP1252中绝对不是。这些是用于将二进制数据（例如字节数组）转换为文本数据（例如字符串）的编码

如果不指定编码，就不应该使用

String.getBytes（）

或

新字符串（byte[]）

，这就是问题所在。他们总是使用平台默认编码——这几乎总是错误的选择

你说你“有一个我从Word文档中读入的字符串”-你是怎么读入的？它是如何开始生活的

如果您有字节并且知道相关编码，则应使用：

String text = new String(bytes, encoding);

您永远不应该处理使用错误编码创建的字符串-如果您达到该阶段，您几乎肯定会面临信息丢失的风险。尽可能早地解决问题，而不是稍后尝试修复数据

接下来要了解的是Java中的

String

类是不可变的。对字符串调用

replaceAll

，不会更改现有字符串。它将返回一个新字符串，其中包含替换内容

因此，这项声明：

projDateString2.replaceAll("\0x96", "\u2013");

我永远不会做你想做的事。即使其他一切都是正确的，您也应该使用：

projDateString2 = projDateString2.replaceAll("\0x96", "\u2013");

（或类似的东西）。我不认为这实际上会满足您的要求，但您需要知道，当所有其他事情都解决后，Java字符串总是在UTF-16中，至少就API而言。。。但您通常可以将它们看作是“Unicode”。事实上，它们是UTF-16，只有在涉及基本多语言平面之外的字符时才真正相关，即Unicode值高于U+FFFF。它们必须在Java中表示为代理项对。但我认为你不必担心你的情况。所以只要把字符串中的值想象成“Unicode文本”，而不使用特定的编码。。。特别是，在UTF-8或CP1252中绝对不是。这些是用于将二进制数据（例如字节数组）转换为文本数据（例如字符串）的编码

如果不指定编码，就不应该使用

String.getBytes（）

或

新字符串（byte[]）

，这就是问题所在。他们总是使用平台默认编码——这几乎总是错误的选择

你说你“有一个我从Word文档中读入的字符串”-你是怎么读入的？它是如何开始生活的

如果您有字节并且知道相关编码，则应使用：

String text = new String(bytes, encoding);

您永远不应该处理使用错误编码创建的字符串-如果您达到该阶段，您几乎肯定会面临信息丢失的风险。尽可能早地解决问题，而不是稍后尝试修复数据

接下来要了解的是Java中的

String

类是不可变的。对字符串调用

replaceAll

，不会更改现有字符串。它将返回一个新字符串，其中包含替换内容

因此，这项声明：

projDateString2.replaceAll("\0x96", "\u2013");

我永远不会做你想做的事。即使其他一切都是正确的，您也应该使用：

projDateString2 = projDateString2.replaceAll("\0x96", "\u2013");

---

（或类似的东西）。我不认为这真的能满足你的需要，但你需要在其他事情都解决后意识到这一点。

首先，你需要确保正确地将CP1252字节转换为Java字节（即UTF-16）。因为您正在使用一个库来解析.docx文件，所以可能已经发生了这种情况

---

现在只需调用

projDateString.replace（'\u2013'，'-'）

并使用返回值执行一些操作。无需使用

replaceAll（）

，因为您没有使用正则表达式。

首先，您需要确保正确地将CP1252字节转换为Java字节（即UTF-16）。因为您正在使用一个库来解析.docx文件，所以可能已经发生了这种情况

---

现在只需调用

projDateString.replace（'\u2013'，'-'）

并使用返回值执行一些操作。不需要使用

replaceAll（）

，因为您没有使用正则表达式。

好的，所以我使用了字符串projDateString2=新字符串（projDateString.getBytes（“Cp1252”），“UTF-16”）；而且我仍然无法使replaceAll正确工作，尽管转换很容易有损，因为原始的不正确转换很容易丢失信息。@Jon Skeet true。但我认为，您无法防止丢失。好吧，我做了String projDateString2=新字符串（projDateString.getBytes（“Cp1252”），“UTF-16”）；我还是不能