源代码中的字符串与从文件中读取的字符串之间有什么区别？

Question

我的磁盘中有一个名为“dd.txt”的文件，它的内容是\u5730\u7406

现在，当我运行这个程序

public static void main(String[] args) throws IOException {
    FileInputStream fis=new FileInputStream("d:\\dd.txt");
    ByteArrayOutputStream baos=new ByteArrayOutputStream();
    byte[] buffer=new byte[fis.available()];
    while ((fis.read(buffer))!=-1) {
        baos.write(buffer);
    }
    String s1="\u5730\u7406";
    String s2=baos.toString("utf-8");
    System.out.println("s1:"+s1+"\n"+"s2:"+s2);
}

我得到了不同的结果

s1:地理
s2:\u5730\u7406

你能告诉我为什么吗？以及我如何读取该文件并获得与中文s1相同的结果？

Answer 1

当您在Java代码中编写\u5730时，编译器将其解释为单个unicode字符（unicode文字）。当你把它写到一个文件时，它只是6个常规字符（因为没有解释它的东西）。你有没有理由不直接写地理文件？

如果你想读取包含unicode文字的文件，你需要自己解析这些值，抛弃\u并自己解析unicode代码点。如果你控制文件的创建，首先在文件中用合适的编码（例如UTF-8）编写适当的unicode要容易得多，在正常情况下你永远不会遇到包含这些转义的unicode文字的文件。

Answer 2

在您的Java代码中，\uxxxx被解释为Unicode文字，因此它们显示为中文字符。这样做只是因为指示编译器这样做。

要获得相同的结果，您必须自己进行一些解析：

String[] hexCodes = s2.split("\\\\u");
for (String hexCode : hexCodes) {
    if (hexCode.length() == 0)
        continue;
    int intValue = Integer.parseInt(hexCode, 16);
    System.out.print((char)intValue);
}

（请注意，这只适用于每个字符都是Unicode字面形式，例如\uxxxx）

Answer 3

试试这个：

static final Pattern UNICODE_ESCAPE = Pattern.compile("\\\\u([0-9a-fA-F]{4})");

static String decodeUnicodeEscape(String s) {
    StringBuilder sb = new StringBuilder();
    int start = 0;
    Matcher m = UNICODE_ESCAPE.matcher(s);
    while (m.find()) {
        sb.append(s.substring(start, m.start()));
        sb.append((char)Integer.parseInt(m.group(1), 16));
        start = m.end();
    }
    sb.append(s.substring(start));
    return sb.toString();
}

public static void main(String[] args) throws IOException {
    // your code ....
    String s1="\u5730\u7406";
    String s2= decodeUnicodeEscape(baos.toString("utf-8"));
    System.out.println("s1:"+s1+"\n"+"s2:"+s2);
}