用Java阅读法语字符

我必须做一个类似于网页索引的作业。基本上我有几个文件（ASCII格式），我必须计算单词频率

其中一个文件包含法语字符（如çorè）。在我的输出文件中，一些包含法语字符的单词没有正确显示，因此我有重复的单词： 我有grimaçaient和grima��艾恩特，我有古埃和古埃��例如，re

现在，关于使用的算法，有一个问题。我必须以并行方式进行计算，包括将文本文件拆分为片段（不是将文件拆分为多个文件，而是从文件的某个偏移量读取）。对于每个片段，我必须检查第一个单词是否已在两个片段之间拆分：如果是，我可以忽略它，我还必须检查最后一个单词是否已拆分：如果是，我必须读取更多字符，直到找到分隔符并将其保存在缓冲区中。我觉得这很奇怪� 可能与这部分有关

下面是我如何阅读片段的：

byte[] buffer = new byte[D]; // D is 1024
file.seek(offset);
file.readFully(buffer);

这就是我读外围单词的方式

第一个字：

file.seek(offset - 1);
byte[] buf = new byte[1];
buf[0] = file.readByte();
String first_w = new String(buf);

最后一句话：

String last_word = "";
byte[] buf = new byte[1];
do
{
    buf[0] = file.readByte();
    String aux = new String(buf);
    if(isDelim(aux.charAt(0))
    {
        break;
    }
    else
    {
        last_word += aux;
    }
}while(true);

� 出现在开头的一些词中，最后的一些词中，也许最重要的是如果� 出现在片段的主要部分（我阅读时已准备就绪的部分）中� 将显示为字符串中的第一个字母或最后一个字母

我怎样才能解决这个问题

---

编辑：文件是RandomAccessFile对象。

不要使用

新字符串（byte[]buf）

构造函数。它不考虑字节的编码（并使用平台默认值）。使用

新字符串（byte[]buf，String encoding）

并指定正确的编码。

当您使用

RandomAccessFile

读取文件时，恐怕没有多少内置支持来正确处理文件编码

如果您的文件是以ISO-8859-15编码的，那么它非常简单。在这种情况下，您可以使用新字符串（字节[]，“ISO-8859-15”）

如果您的文件是用UTF-8编码的，那么您必须处理这样一个事实，即Unicode代码点>127的字符的编码超过1个字节。但这很简单。 如果第一位为0（字节值>=0），则为单字节字符。

---

如果第一位是1（字节值文件编码是什么，UTF-8还是ISO-8859-15？会有一些显著的区别。如果文件包含ç或é，那么它不是ASCII，因为ASCII不支持这些字符。使用读取器和适当的字符集将字符作为字符读取，而不是尝试将其作为字节读取。

新字符串（buf）

未使用适当的字符集。它使用默认字符集。请阅读javadoc。编码为ISO-8859文本。