java - example - UTF-8 byte[] a String

java acentos utf-8

Question

Supongamos que acabo de usar un BufferedInputStream para leer los bytes de un archivo de texto codificado en UTF-8 en una matriz de bytes. Sé que puedo usar la siguiente rutina para convertir los bytes en una cadena, pero ¿hay una manera más eficiente / inteligente de hacerlo que simplemente iterar a través de los bytes y convertir cada uno de ellos?

public String openFileToString(byte[] _bytes)
{
String file_string = "";
for(int i = 0; i < _bytes.length; i++)
{
file_string += (char)_bytes[i];
}
return file_string;
}

Answer 1

¿Por qué no obtener lo que está buscando desde el principio y leer una cadena del archivo en lugar de una matriz de bytes? Algo como:

BufferedReader in = new BufferedReader(new InputStreamReader( new FileInputStream( "foo.txt"), Charset.forName( "UTF-8"));

luego leaLine desde adentro hasta que esté listo.

Answer 2

Aquí hay una función simplificada que leerá en bytes y creará una cadena. Se supone que probablemente ya sepa en qué codificación se encuentra el archivo (y por lo demás, de forma predeterminada).

static final int BUFF_SIZE = 2048;
static final String DEFAULT_ENCODING = "utf-8";
public static String readFileToString(String filePath, String encoding) throws IOException {
if (encoding == null || encoding.length() == 0)
encoding = DEFAULT_ENCODING;
StringBuffer content = new StringBuffer();
FileInputStream fis = new FileInputStream(new File(filePath));
byte[] buffer = new byte[BUFF_SIZE];
int bytesRead = 0;
while ((bytesRead = fis.read(buffer)) != -1)
content.append(new String(buffer, 0, bytesRead, encoding));
fis.close();
return content.toString();
}

Answer 3

Esto también implica iterar, pero es mucho mejor que concatenar cadenas, ya que son muy costosas.

public String openFileToString(String fileName)
{
StringBuilder s = new StringBuilder(_bytes.length);
for(int i = 0; i < _bytes.length; i++)
{
s.append((char)_bytes[i]);
}
return s.toString();
}

Answer 4

La cadena tiene un constructor que toma byte [] y charsetname como parámetros :)

Answer 5

La clase de cadena Java tiene un constructor incorporado para convertir la matriz de bytes en una cadena.

byte[] byteArray = new byte[] {87, 79, 87, 46, 46, 46};
String value = new String(byteArray, "UTF-8");

Answer 6

Mira el constructor para String

String str = new String(bytes, StandardCharsets.UTF_8);

Y si te sientes perezoso, puedes usar la biblioteca IO de Apache Commons para convertir InputStream en una cadena directamente:

String str = IOUtils.toString(inputStream, StandardCharsets.UTF_8);

Answer 7

Para convertir datos de utf-8, no puede asumir una correspondencia 1-1 entre bytes y caracteres. Prueba esto:

String file_string = new String(bytes, "UTF-8");

(Bah. Veo que soy muy lento en presionar el botón Publicar tu respuesta).

Para leer un archivo completo como una cadena, haga algo como esto:

public String openFileToString(String fileName) throws IOException
{
InputStream is = new BufferedInputStream(new FileInputStream(fileName));
try {
InputStreamReader rdr = new InputStreamReader(is, "UTF-8");
StringBuilder contents = new StringBuilder();
char[] buff = new char[4096];
int len = rdr.read(buff);
while (len >= 0) {
contents.append(buff, 0, len);
}
return buff.toString();
} finally {
try {
is.close();
} catch (Exception e) {
// log error in closing the file
}
}
}

Answer 8

Podría usar los métodos descritos en esta pregunta (especialmente porque comienza con un InputStream): Lea / convierta un InputStream en una cadena

En particular, si no desea confiar en bibliotecas externas, puede probar esta respuesta , que lee InputStream través de un InputStreamReader en un búfer char[] y lo agrega a un StringBuilder .

Answer 9

Puedes usar el constructor String(byte[] bytes) para eso. Vea este link para más detalles. EDITAR También debe considerar el conjunto de caracteres predeterminado de su plataforma según el documento java:

Construye una nueva cadena decodificando la matriz de bytes especificada usando el conjunto de caracteres predeterminado de la plataforma. La longitud de la nueva Cadena es una función del conjunto de caracteres y, por lo tanto, puede no ser igual a la longitud de la matriz de bytes. El comportamiento de este constructor cuando los bytes dados no son válidos en el conjunto de caracteres predeterminado no está especificado. La clase CharsetDecoder se debe usar cuando se requiere más control sobre el proceso de decodificación.

Answer 10

Sabiendo que está tratando con una matriz de bytes UTF-8, definitivamente querrá usar el constructor de cadenas que acepta un nombre de conjunto de caracteres . De lo contrario, puede dejarse abierto a algunas vulnerabilidades de seguridad basadas en codificación de caracteres. Tenga en cuenta que lanza la UnsupportedEncodingException que tendrá que manejar. Algo como esto:

public String openFileToString(String fileName) {
String file_string;
try {
file_string = new String(_bytes, "UTF-8");
} catch (UnsupportedEncodingException e) {
// this should never happen because "UTF-8" is hard-coded.
throw new IllegalStateException(e);
}
return file_string;
}

Answer 11

Yo uso de esta manera

String strIn = new String(_bytes, 0, numBytes);