首页 > 代码库 > 中文系统下，UTF-8编码文本文件读取导致的错误
中文系统下，UTF-8编码文本文件读取导致的错误
一、UTF-8编码文件读取导致的错误
有个txt文件，里面内容为：
aaabbbccc以UTF-8编码方式打开txt文件，顺序读取，将里面的值放到一个hashset中，并判断aaa是否在在hashset中
class { public static void main(String[] args) { try { HashSet<String> specialCateSet= new HashSet<String>(); FileInputStream a = new FileInputStream("d://test.txt"); String encoding = "UTF-8"; InputStreamReader b = new InputStreamReader(a,encoding); BufferedReader br = new BufferedReader(b); String message = br.readLine(); while (message != null) { specialCateSet.add(message); message = br.readLine(); } } catch(Exception e) { e.printStackTrace(); } if(specialCateSet.contains("aaa")) { System.out.println("SpecialCate包含aaa"); } else { System.out.println("SpecialCate不包含aaa"); } }}
结果输出：SpecialCateSet不包含aaa
断点跟踪SpecialCateSet中的值，里面确实包含值"aaa"，但是为什么specialCateSet.contains("aaa")验证为false呢？
二、错误原因
中文操作系统下，对于UTF-8编码格式的文本文件，其前3个字节的值就是-17、-69、-65（这三个字节说明了编码方式，详情参考Java如何获取文件编码格式）
修改程序如下，就直观了：
class { public static void main(String[] args) { try { HashSet<String> specialCateSet= new HashSet<String>(); FileInputStream a = new FileInputStream("d://test.txt"); String encoding = "UTF-8"; InputStreamReader b = new InputStreamReader(a,encoding); BufferedReader br = new BufferedReader(b); String message = br.readLine(); while (message != null) { //打印输出message的byte值 byte[] a1=message.getBytes(); for(byte b1 :a1){ System.out.print(b1+ " "); }
System.out.println(); specialCateSet.add(message); message = br.readLine(); } } catch(Exception e) { e.printStackTrace(); } }}
结果输出如下，其中a的ascll为97，b：98，c：99
-17 69 65 97 97 97
98 98 98
99 99 99
因此specialCateSet中存放三个字符串值aaa(byte字节为：-17 69 65 97 97 97),bbb(byte字节为：-98 98 98),ccc(byte字节为：-99 99 99)，其中虽然在java中显示specialCateSet包含字符串aaa，但是这个字符串aaa的byte字节为（-17 69 65 97 97 97），而在后面判断中specialCateSet.contains("aaa")，在java中定义的aaa byte字节为（97 97 97），因此验证不通过。
通俗来讲，文本文件中读取的aaa的byte字节为（-17 69 65 97 97 97），其中包含有3个byte的编码值，但是在java中显示时将头三位的编码值忽略了，因此在java中显示的值为aaa，而直接在java中定义的字符串aaa的byte字节为（97 97 97），两者虽然显示一致，但是对应的字节值不同，以及各自的hashcode值也不同，因此java判断此aaa不同于彼aaa
三、解决办法
1、最简单的，在txt中空出第一行不用即可，因为就头三位是编码信息
2、读取第一行时，将编码信息去除即可
中文系统下，UTF-8编码文本文件读取导致的错误