用Java将UTF-8转换为ISO-8859-1

Question

我正在阅读XML文档(UTF-8)并最终使用ISO-8859-1在网页上显示内容.正如预期的那样,有几个字符显示不正确,比如“,–和’(他们显示为？).

是否可以将这些字符从UTF-8转换为ISO-8859-1？

这是我编写的代码片段,用于尝试此操作:

BufferedReader br = new BufferedReader(new InputStreamReader(urlConnection.getInputStream(), "UTF-8"));
StringBuilder sb = new StringBuilder();

String line = null;
while ((line = br.readLine()) != null) {
  sb.append(line);
}
br.close();

byte[] latin1 = sb.toString().getBytes("ISO-8859-1");

return new String(latin1);

我不太确定会出现什么问题,但是我认为它是readLine()引起了悲伤(因为字符串是Java/UTF-16编码的？).我尝试的另一种变化是用latin1替换

byte[] latin1 = new String(sb.toString().getBytes("UTF-8")).getBytes("ISO-8859-1");

我已经读过以前关于这个主题的帖子,我正在学习.在此先感谢您的帮助.

Answer 1

我不确定标准库中是否存在执行此操作的规范化例程.我不认为"智能"引号的转换是由标准的Unicode规范化程序处理的- 但是不要引用我.

聪明的做法是转储ISO-8859-1并开始使用UTF-8.也就是说,可以将任何通常允许的Unicode代码点编码为编码为的HTML页面ISO-8859-1.您可以使用转义序列对它们进行编码,如下所示:

public final class HtmlEncoder {
  private HtmlEncoder() {}

  public static <T extends Appendable> T escapeNonLatin(CharSequence sequence,
      T out) throws java.io.IOException {
    for (int i = 0; i < sequence.length(); i++) {
      char ch = sequence.charAt(i);
      if (Character.UnicodeBlock.of(ch) == Character.UnicodeBlock.BASIC_LATIN) {
        out.append(ch);
      } else {
        int codepoint = Character.codePointAt(sequence, i);
        // handle supplementary range chars
        i += Character.charCount(codepoint) - 1;
        // emit entity
        out.append("&#x");
        out.append(Integer.toHexString(codepoint));
        out.append(";");
      }
    }
    return out;
  }
}

用法示例:

String foo = "This is Cyrillic Ya: \u044F\n"
    + "This is fraktur G: \uD835\uDD0A\n" + "This is a smart quote: \u201C";

StringBuilder sb = HtmlEncoder.escapeNonLatin(foo, new StringBuilder());
System.out.println(sb.toString());

在上面,字符LEFT DOUBLE QUOTATION MARK(U+201C ")被编码为“.同样编码了几个其他任意代码点.

需要注意这种方法.如果您的文本需要针对HTML进行转义,则需要在上述代码或"&"符号被转义之前完成.