java - bat - chcp unicode

Java, Unicode, UTF-8 y el símbolo del sistema de Windows

Question

Tengo un archivo jar que se supone que debe leer un archivo codificado en UTF-8 -que escribí en un editor de texto en Windows- y mostrar los caracteres en la pantalla. En OS X y Linux, esto funciona a la perfección. Sin embargo, estoy teniendo problemas para hacer que funcione en Windows ... He definido a un lector y escritor así:

FileInputStream file = new FileInputStream(args[0]);
InputStreamReader reader = new InputStreamReader(file, "UTF8");
PrintStream writer = new PrintStream(System.out, true, "UTF8");

También cambié la fuente del símbolo del sistema a Lucida Console y la codificación de caracteres a UTF-8 con chcp 65001 , en ese orden.

Ahora, cuando ejecuto java -jar Read.jar file.txt , el mensaje derrocha esto.

áéí
ñóú
[]óú
[]

Sin embargo, si ejecuto type file.txt , la solicitud muestra correctamente el contenido del archivo.

áéí
ñóú

Intenté guardar mi archivo con y sin lista de materiales, pero eso no ha hecho la diferencia. (UTF-8 ni siquiera necesita BOM porque es falta de endianness, ¿correcto?) Intenté compilar con javac -encoding utf8 *.java , pero ocurre lo mismo.

Me he quedado sin ideas ahora. ¿Alguien se preocupa por ayudar?

Answer 1

Intente usar BufferReader para leer su archivo de esta manera;

 BufferedReader in = new BufferedReader(
new InputStreamReader(
new FileInputStream(file), "UTF8"));

Answer 2

La página de códigos 65001 está rota. Las funciones stdio de tiempo de ejecución de MS C devuelven recuentos inexactos de bytes leídos y escritos cuando se ejecutan bajo 65001, lo que conduce a comportamientos extraños como este.

No es reparable: no se puede usar de manera confiable la consola de Windows para E / S Unicode desde aplicaciones que usan las funciones C stdlib byte-I / O (que incluyen Java). Puede hackearlo llamando a la función API de Win32 WriteConsoleW para obtener contenido Unicode directamente en la consola, pero luego debe preocuparse por detectar cuándo stdout en realidad es una consola (no redirigido a un archivo).

Esta es una fuente de problemas de larga data que MS no muestra interés en corregir.

Answer 3

Parece que podrías ser tus nuevos personajes. Cuando hago los caracteres de nueva línea en el idioma inglés estándar ISO-8859-1, utilizo una matriz char [] porque los caracteres de Windows ''/ r'' y ''/ n'' y UNIX / Linux son solamente / r como el carácter de nueva línea. Gana 4 bytes, unix 2 bytes. A no, en los documentos de la API para las clases de convertidor de caracteres, el sistema de conversión de codificación puede tener bytes espurios sobrantes para descartar según las codificaciones y los requisitos de tamaño de caracteres.