问题描述:
使用openoffice将txt文本转pdf的过程中发现中文乱码。
解决思路及过程:
1、查看出现乱码的原因
经查询jodconverter源码发现,只有utf-8编码的文本才不会中文乱码。
2、怎么样将非utf-8编码文件转换成utf-8文件。
要转之前首先要判断txt文本本身的编码。经查发现txt文本有一个头。
判断方法如下
/**
* 根据文件路径返回文件编码
* @param filePath
* @return
* @throws IOException
*/
public static String getCharset(String filePath) throws IOException{
BufferedInputStream bin = new BufferedInputStream(new FileInputStream(
filePath));
int p = (bin.read() << 8) + bin.read();
String code = null;
switch (p) {
case 0xefbb:
code = "UTF-8";
break;
case 0xfffe:
code = "Unicode";
break;
case 0xfeff:
code = "UTF-16";
break;
default:
code = "GB2312";
}
System.out.println(code);
return code;
}
转换代码如下
/**
* 以指定编码方式写文本文件,存在会覆盖
*
* @param file
* 要写入的文件
* @param toCharsetName
* 要转换的编码
* @param content
* 文件内容
* @throws Exception
*/
public static void saveFile2Charset(File file, String toCharsetName,
String content) throws Exception {
if (!Charset.isSupported(toCharsetName)) {
throw new UnsupportedCharsetException(toCharsetName);
}
OutputStream outputStream = new FileOutputStream(file);
OutputStreamWriter outWrite = new OutputStreamWriter(outputStream,
toCharsetName);
outWrite.write(content);
outWrite.close();
}
经测试发现,转换后的文本,获取的头还是gbk的,只有手机将头文件中blob生成
代码如下:
/**
* 以指定编码方式写文本文件,存在会覆盖
*
* @param file
* 要写入的文件
* @param toCharsetName
* 要转换的编码
* @param content
* 文件内容
* @throws Exception
*/
public static void saveFile2Charset(File file, String toCharsetName,
String content) throws Exception {
if (!Charset.isSupported(toCharsetName)) {
throw new UnsupportedCharsetException(toCharsetName);
}
OutputStream outputStream = new FileOutputStream(file);
//增加头文件标识
outputStream.write(new byte[]{(byte)0xEF, (byte)0xBB, (byte)0xBF});
OutputStreamWriter outWrite = new OutputStreamWriter(outputStream,
toCharsetName);
outWrite.write(content);
outWrite.close();
}
经测试
GB2312
Unicode
UTF-16
UTF-8
都成功。
txt编码和头文件说明
java编码与txt编码对应
java
txt
unicode
unicode big endian
utf-8
utf-8
utf-16
unicode
gb2312
ANSI
什么是BOM
BOM(byte-order mark),即字节顺序标记,它是插入到以UTF-8、UTF16或UTF-32编码Unicode文件开头的特殊标记,用来识别Unicode文件的编码类型。对于UTF-8来说,BOM并不是必须的,因为BOM用来标记多字节编码文件的编码类型和字节顺序(big-endian或little- endian)。
BOMs 文件头:
00 00 FE FF = UTF-32, big-endian
FF FE 00 00 = UTF-32, little-endian
EF BB BF = UTF-8,
FE FF= UTF-16, big-endian
FF FE= UTF-16, little-endian
注:jodconverter 2.2.1不支持docx 、xlsx、ppt、文件转pdf