将 unicode 写入 rtf 文件

Question

我正在尝试将不同语言的字符串写入 rtf 文件。我尝试了一些不同的事情。 我在这里使用日语作为示例，但对于我尝试过的其他语言来说也是如此。

public void writeToFile(){

    String strJapanese = "日本語";
    DataOutputStream outStream;
    File file = new File("C:\\file.rtf");

    try{

        outStream = new DataOutputStream(new FileOutputStream(file));
        outStream.writeBytes(strJapanese);
        outStream.close();

    }catch (Exception e){
        System.out.println(e.toString());
    }
}

我也尝试过：

byte[] b = strJapanese.getBytes("UTF-8");
String output = new String(b);

或者更具体地说：

byte[] b = strJapanese.getBytes("Shift-JIS");
String output = new String(b);

输出流也有 writeUTF 方法：

outStream.writeUTF(strJapanese);

您可以通过 write 方法直接在输出流中使用 byte[] 。除了西欧语言之外，上述所有内容都给我提供了乱码。为了查看它是否有效，我尝试在记事本++中打开结果文档并设置适当的编码。我还使用了 OpenOffice，您可以在打开文档时选择编码和字体。

如果它确实有效，但我的计算机无法正常打开它，有什么方法可以检查吗？

Answer 1

默认情况下，JAVA 中的字符串采用 UTF-8（unicode）格式，但是当您想将其写下来时，需要指定

try {
    FileOutputStream fos = new FileOutputStream("test.txt");
    Writer out = new OutputStreamWriter(fos, "UTF8");
    out.write(str);
    out.close();
} catch (IOException e) {
    e.printStackTrace();
}

编码参考： http://download.oracle.com/javase/tutorial/i18n/text/stream.html

Answer 2

您可以使用 \u 控制字编写以十进制数表示的任何 Unicode 字符。例如 \u1234? 将表示 Unicode 代码点为 1234 的字符，而 ? 是无法充分表示该字符的情况下的替换字符（例如，因为字体不不包含它）。

Answer 3

数据输出流outStream;

您可能不需要 DataOutputStream 来写入 RTF 文件。 DataOutputStream 用于将二进制结构写入文件，但 RTF 是基于文本的。通常是 OutputStreamWriter，设置适当的字符集 构造函数中将是写入文本文件的方式。

outStream.writeBytes(str日语);

特别是，这会失败，因为 writeBytes 确实写入了字节，即使您向它传递了一个字符串。更合适的数据类型是 byte[]，但这只是 Java 对字节与字符的处理令人困惑的地方之一。它将字符串转换为字节的方式很简单，就是获取每个 UTF-16 代码单元的低八位，然后丢弃其余部分。这会导致 ISO-8859-1 编码中所有不存在于 ISO-8859-1 中的字符出现乱码。

byte[] b = strJapanese.getBytes("UTF-8");
String output = new String(b);

这并没有真正做任何有用的事情。您编码为 UTF-8 字节，然后使用默认字符集将其解码回字符串。触及默认字符集几乎总是错误的，因为它在不同的机器上是不可预测的。

outStream.writeUTF(strJapanese);

这将是编写 UTF-8 的一个更好的尝试，但它仍然不太正确，因为它使用了 Java 的伪造的“修改后的 UTF-8”编码，更重要的是 RTF 文件实际上并不支持 UTF-8，也不应该真正支持 UTF-8。直接包含任何非 ASCII 字符。

传统上，128 以上的非 ASCII 字符应写为十六进制字节转义符，如 \'80，并且它们的编码（如果有的话）以字体 \fcharset 和 \cpg 转义符处理起来非常非常烦人，并且不提供 UTF-8 作为选项之一。

在更现代的 RTF 中，您会得到 \u1234x 转义，如 Dabbler 的答案 (+1) 中所示。每个转义编码一个 UTF-16 代码单元，对应于一个 Java char，因此用正则表达式将所有非 ASCII 字符替换为其转义变体并不是太困难。

Word 97 及更高版本支持此功能，但其他一些工具可能会忽略 Unicode 并回退到 x 替换字符。

RTF 不是一种很好的格式。