如何在Scala或Java中读取带有混合编码的文本文件？

Question

我正在尝试解析CSV文件，最好使用weka.core.converters.CSVLoader。但是，我拥有的文件不是有效的UTF-8文件。它主要是一个UTF-8文件，但是某些字段值使用不同的编码，因此没有一种编码方式可以使整个文件有效，但是无论如何我都需要对其进行解析。除了使用像Weka这样的Java库之外，我主要在Scala中工作。我什至无法读取scala.io中的文件。资料来源：例如

Source.
  fromFile(filename)("UTF-8").
  foreach(print);

抛出：

    java.nio.charset.MalformedInputException: Input length = 1
at java.nio.charset.CoderResult.throwException(CoderResult.java:277)
at sun.nio.cs.StreamDecoder.implRead(StreamDecoder.java:337)
at sun.nio.cs.StreamDecoder.read(StreamDecoder.java:176)
at java.io.InputStreamReader.read(InputStreamReader.java:184)
at java.io.BufferedReader.fill(BufferedReader.java:153)
at java.io.BufferedReader.read(BufferedReader.java:174)
at scala.io.BufferedSource$$anonfun$iter$1$$anonfun$apply$mcI$sp$1.apply$mcI$sp(BufferedSource.scala:38)
at scala.io.Codec.wrap(Codec.scala:64)
at scala.io.BufferedSource$$anonfun$iter$1.apply(BufferedSource.scala:38)
at scala.io.BufferedSource$$anonfun$iter$1.apply(BufferedSource.scala:38)
at scala.collection.Iterator$$anon$14.next(Iterator.scala:150)
at scala.collection.Iterator$$anon$25.hasNext(Iterator.scala:562)
at scala.collection.Iterator$$anon$19.hasNext(Iterator.scala:400)
at scala.io.Source.hasNext(Source.scala:238)
at scala.collection.Iterator$class.foreach(Iterator.scala:772)
at scala.io.Source.foreach(Source.scala:181)

我非常乐意丢掉所有无效字符或用一些虚拟字符替换它们。我将有很多这样的文本以各种方式处理，并且可能需要将数据传递给各种第三方库。理想的解决方案是某种全局设置，该设置将导致所有低级Java库忽略文本中的无效字节，以便我可以对此数据调用第三方库而无需进行修改。

解：

import java.nio.charset.CodingErrorAction
import scala.io.Codec

implicit val codec = Codec("UTF-8")
codec.onMalformedInput(CodingErrorAction.REPLACE)
codec.onUnmappableCharacter(CodingErrorAction.REPLACE)

val src = Source.
  fromFile(filename).
  foreach(print)

感谢+ Esailija为我指出正确的方向。这导致我转向如何检测非法的UTF-8字节序列以将其替换为java
inputstream？
它提供了核心的Java解决方案。在Scala中，我可以通过将编码解码器隐式设置为默认行为。我认为可以通过将隐式编解码器定义放在包对象中，使它成为整个包的默认行为。

Answer 1

这是我设法用java做到的方式：

    FileInputStream input;
    String result = null;
    try {
        input = new FileInputStream(new File("invalid.txt"));
        CharsetDecoder decoder = Charset.forName("UTF-8").newDecoder();
        decoder.onMalformedInput(CodingErrorAction.IGNORE);
        InputStreamReader reader = new InputStreamReader(input, decoder);
        BufferedReader bufferedReader = new BufferedReader( reader );
        StringBuilder sb = new StringBuilder();
        String line = bufferedReader.readLine();
        while( line != null ) {
            sb.append( line );
            line = bufferedReader.readLine();
        }
        bufferedReader.close();
        result = sb.toString();

    } catch (FileNotFoundException e) {
        e.printStackTrace();
    } catch( IOException e ) {
        e.printStackTrace();
    }

    System.out.println(result);

使用字节创建无效文件：

0x68, 0x80, 0x65, 0x6C, 0x6C, 0xC3, 0xB6, 0xFE, 0x20, 0x77, 0xC3, 0xB6, 0x9C, 0x72, 0x6C, 0x64, 0x94

hellö wörld在UTF-8中，其中混入了4个无效字节。

有了.REPLACE你看到正在使用的标准Unicode替换字符：

//"h�ellö� wö�rld�"

使用.IGNORE，您会看到无效字节被忽略：

//"hellö wörld"

不指定.onMalformedInput，您得到

java.nio.charset.MalformedInputException: Input length = 1
    at java.nio.charset.CoderResult.throwException(Unknown Source)
    at sun.nio.cs.StreamDecoder.implRead(Unknown Source)
    at sun.nio.cs.StreamDecoder.read(Unknown Source)
    at java.io.InputStreamReader.read(Unknown Source)
    at java.io.BufferedReader.fill(Unknown Source)
    at java.io.BufferedReader.readLine(Unknown Source)
    at java.io.BufferedReader.readLine(Unknown Source)