如何使用RandomAccessFile讀取UTF8編碼的文件？

Question

我有一個用UTF8（語言特定字符）編碼的文本文件。 我需要使用的RandomAccessFile尋求特定位置和讀取。

我想讀行由行。

String str = myreader.readLine(); //returns wrong text, not decoded 
String str myreader.readUTF(); //An exception occurred: java.io.EOFException 

Answer 1

的API文檔說以下爲readUTF8

讀取來自該文件中的字符串。該字符串已使用修改後的UTF-8格式編碼爲 。

讀取前兩個字節，從當前文件指針 開始讀取，就像readUnsignedShort一樣。此值給出編碼字符串中的以下 字節的編號，而不是生成的 字符串的長度。接下來的字節將被解釋爲編碼爲 字符的字節，並且被轉換爲 字符。

該方法會阻塞，直到讀取所有字節，檢測到流 的末端或引發異常。

是您的字符串，這樣格式化？

這似乎說明你EOF exceptuon。

你的文件是一個文本文件，因此您的實際問題是解碼。

我知道最簡單的回答是：

try(BufferedReader reader = new BufferedReader(new InputStreamReader(new FileInputStream("jedis.txt"),"UTF-8"))){ 

    String line = null; 
    while((line = reader.readLine()) != null){ 
     if(line.equals("Obi-wan")){ 
      System.out.println("Yay, I found " + line +"!"); 
     } 
    } 
}catch(IOException e){ 
    e.printStackTrace(); 
} 

或者你可以在當前系統編碼與系統屬性file.encoding設置爲UTF-8。

java -Dfile.encoding=UTF-8 com.jediacademy.Runner arg1 arg2 ... 

您還可以將其設置爲在與System.setProperty(...)運行時的系統性能，如果你只需要爲這個特定的文件，但在這樣的情況下，我想我會喜歡OutputStreamWriter。

通過設置系統屬性，您可以使用FileReader，並期望它將使用UTF-8作爲文件的默認編碼。在這種情況下，您讀取和寫入的所有文件。

如果您打算檢測文件中的解碼錯誤，您將不得不使用InputStreamReader方法並使用接收解碼器的構造函數。

有點像

CharsetDecoder decoder = Charset.forName("UTF-8").newDecoder(); 
decoder.onMalformedInput(CodingErrorAction.REPORT); 
decoder.onUnmappableCharacter(CodingErrorAction.REPORT); 
BufeferedReader out = new BufferedReader(new InpuStreamReader(new FileInputStream("jedis.txt),decoder)); 

您可以使用RandomAccessFile行動IGNORE | REPLACE | REPORT

編輯

如果你堅持之間選擇，你需要知道該行的確切的偏移，你正打算閱讀。不僅如此，爲了用readUTF()方法來閱讀，你應該用writeUTF()方法寫下文件。由於此方法（如上面所述的JavaDocs所示）需要特定的格式，其中前2個無符號字節表示UTF-8字符串的字節長度。

因此，如果你這樣做：

try(RandomAccessFile raf = new RandomAccessFile("jedis.bin", "rw")){ 

    raf.writeUTF("Luke\n"); //2 bytes for length + 5 bytes 
    raf.writeUTF("Obiwan\n"); //2 bytes for length + 7 bytes 
    raf.writeUTF("Yoda\n"); //2 bytes for lenght + 5 bytes 

}catch(IOException e){ 
    e.printStackTrace(); 
} 

你不應該使用方法readUTF()從該文件讀回，只要任何問題，因爲你能確定給定線的偏移量要回過頭再讀。

如果你打開文件jedis.bin你會注意到它是一個二進制文件，而不是一個文本文件。

現在，我知道"Luke\n"是UTF-8中的5個字節，而"Obiwan\n"是UTF-8中的7個字節。並且writeUTF()方法將在每個這些字符串的前面插入2個字節。因此，在"Yoda\n"之前有（5 + 2）+（7 + 2）= 16字節。

所以，我可以做這樣的事情，以達到最後一行：

try (RandomAccessFile raf = new RandomAccessFile("jedis.bin", "r")) { 

    raf.seek(16); 
    String val = raf.readUTF(); 
    System.out.println(val); //prints Yoda 

} catch (IOException e) { 
    e.printStackTrace(); 
} 

但是，如果你有一個Writer類寫的文件，因爲作家不按該方法的格式規則，這將不起作用writeUFT()。

在這種情況下，最好的做法是，您的二進制文件將被格式化爲所有字符串佔用相同的空間量（字節數，而不是字符數），因爲字節在UTF-8中是可變的，這取決於字符串中的字符），如果不是所有的空間都需要它，你可以使用它：

這樣你就可以很容易地計算給定行的偏移量，因爲它們都佔據相同的空間量。

Answer 2

你不可能這樣做。 seek函數將定位您的一些字節數。無法保證您與UTF-8字符邊界對齊。

Answer 3

我覺得RandomAccessFile的API具有挑戰性。

如果您的文本實際上僅限於UTF-8值0-127（UTF-8的最低7位），那麼使用readLine()是安全的，但仔細閱讀這些Javadoc：這是一種奇怪的方法。引用：

該方法從文件中連續讀取字節，從當前文件指針開始，直到達到行結束符或文件末尾。通過取字符的低8位的字節值並將字符的高8位設置爲零來將每個字節轉換爲字符。因此，此方法不支持完整的Unicode字符集。

要讀取UTF-8安全，我建議你閱讀（部分或全部）的原始字節與length()和read(byte[])的組合。然後使用此構造函數將您的UTF-8字節轉換爲Java String：new String(byte[], "UTF-8")。

要安全地編寫UTF-8，請首先將您的Java String轉換爲帶有someText.getBytes("UTF-8")的正確字節。最後，使用write(byte[])寫入字節。

Answer 4

您可以將字符串轉換，通過的readLine讀UTF-8，使用下面的代碼：（UTF8編碼）

Привет из Украины 

控制檯輸出：

MyFile.txt的的

public static void main(String[] args) throws IOException { 
    RandomAccessFile raf = new RandomAccessFile(new File("MyFile.txt"), "r"); 
    String line = raf.readLine(); 
    String utf8 = new String(line.getBytes("ISO-8859-1"), "UTF-8"); 
    System.out.println("Line: " + line); 
    System.out.println("UTF8: " + utf8); 
} 

內容

Line: ÐÑÐ¸Ð²ÐµÑ Ð¸Ð· УкÑÐ°Ð¸Ð½Ñ 
UTF8: Привет из Украины 

Answer 5

我意識到這是一個老問題，但它似乎仍然有一些興趣，並且沒有被接受的答案。

你所描述的實質上是一個數據結構問題。這裏討論的UTF8是一個紅色的鯡魚 - 你會面對同樣的問題，使用固定長度的編碼，如ASCII，因爲你有可變長度的線。你需要的是某種索引。

如果你絕對不能改變文件本身（「字符串文件」） - 似乎是這種情況 - 你總是可以構造一個外部索引。第一次（和第一次只有）字符串文件被訪問，你一直讀取它（順序），記錄每行開始的字節位置，並通過記錄文件結束位置（使生活更簡單）。這可以通過下面的代碼來實現：

myList.add(0); // assuming first string starts at beginning of file 
while ((line = myRandomAccessFile.readLine()) != null) { 
    myList.add(myRandomAccessFile.getFilePointer()); 
} 

，然後寫這些整數到一個單獨的文件（「索引文件」），你會讀回以後每一次啓動程序，並打算訪問字符串文件。要訪問第012個字符串，請從索引文件中選取n th和n+1 th索引（稱這些索引文件爲A和B）。然後，您嘗試將A定位在字符串文件中，並讀取B-A字節，然後您可以從UTF8中解碼。例如，爲了得到線i：

myRandomAccessFile.seek(myList.get(i)); 
byte[] bytes = new byte[myList.get(i+1) - myList.get(i)]; 
myRandomAccessFile.readFully(bytes); 
String result = new String(bytes, "UTF-8"); 

在許多情況下，但是，這將是更好地使用數據庫，如SQLite，它創建和維護索引你。這樣，您可以添加和修改額外的「行」，而無需重新創建整個索引。有關Java實現，請參閱https://www.sqlite.org/cvstrac/wiki?p=SqliteWrappers。

Answer 6

讀通過的readLine文件（）爲我工作：

RandomAccessFile raf = new RandomAccessFile(...); 
String line; 
while ((line = raf.readLine()) != null) { 
    String utf = new String(line.getBytes("ISO-8859-1")); 
    ... 
} 

// my file content has been created with: 
raf.write(myStringContent.getBytes());