在Java中将UTF-8转换为ISO-8859-1

Question

我正在阅读XML文档（UTF-8），并最终使用ISO-8859-1在网页上显示内容。正如预期的那样，有几个字符显示不正确，比如“，–和’（他们显示为？）。

是否可以将这些字符从UTF-8转换为ISO-8859-1？

这是我编写的尝试此功能的代码段：

BufferedReader br = new BufferedReader(new InputStreamReader(urlConnection.getInputStream(), "UTF-8"));
StringBuilder sb = new StringBuilder();

String line = null;
while ((line = br.readLine()) != null) {
  sb.append(line);
}
br.close();

byte[] latin1 = sb.toString().getBytes("ISO-8859-1");

return new String(latin1);

我不太确定发生了什么问题，但是我认为是re​​adLine（）引起了麻烦（因为字符串将是Java /
UTF-16编码的？）。我尝试的另一种变化是将latin1替换为

byte[] latin1 = new String(sb.toString().getBytes("UTF-8")).getBytes("ISO-8859-1");

我已经阅读了有关该主题的先前文章，并且正在学习中。在此先感谢您的帮助。

Answer 1

我不确定标准库中是否有将执行此操作的规范化例程。我不认为标准的Unicode规范化程序会处理“智能”引号的转换-
但不要引用我。

明智的做法是转储ISO-8859-1并开始使用UTF-8。也就是说，可以将任何通常允许的Unicode代码点编码为HTML网页，编码为ISO-8859-1。您可以使用转义序列对它们进行编码，如下所示：

public final class HtmlEncoder {
  private HtmlEncoder() {}

  public static <T extends Appendable> T escapeNonLatin(CharSequence sequence,
      T out) throws java.io.IOException {
    for (int i = 0; i < sequence.length(); i++) {
      char ch = sequence.charAt(i);
      if (Character.UnicodeBlock.of(ch) == Character.UnicodeBlock.BASIC_LATIN) {
        out.append(ch);
      } else {
        int codepoint = Character.codePointAt(sequence, i);
        // handle supplementary range chars
        i += Character.charCount(codepoint) - 1;
        // emit entity
        out.append("&#x");
        out.append(Integer.toHexString(codepoint));
        out.append(";");
      }
    }
    return out;
  }
}

用法示例：

String foo = "This is Cyrillic Ya: \u044F\n"
    + "This is fraktur G: \uD835\uDD0A\n" + "This is a smart quote: \u201C";

StringBuilder sb = HtmlEncoder.escapeNonLatin(foo, new StringBuilder());
System.out.println(sb.toString());

上面的字符左双引号（U+201C “ ）被编码为＆＃x201C;。同样，对其他两个任意代码点也进行了编码。

需要谨慎使用此方法。如果您的文本需要针对HTML进行转义，则需要在上述代码或“与”号最终转义之前完成。