java - 读取格式错误的文件时 StreamDecoder 与 InputStreamReader

Question

我在 Java 8 中读取文件时遇到了一些奇怪的行为，我想知道是否有人能理解它。

场景:

读取格式错误的文本文件。我所说的格式错误是指它包含不映射到任何 unicode 代码点的字节。

我用来创建此类文件的代码如下:

byte[] text = new byte[1];
char k = (char) -60;
text[0] = (byte) k;
FileUtils.writeByteArrayToFile(new File("/tmp/malformed.log"), text);

此代码生成一个仅包含一个字节的文件，该文件不是 ASCII 表(也不是扩展表)的一部分。

尝试 cat 此文件会产生以下输出:

�

这是UNICODE Replacement Character 。这是有道理的，因为 UTF-8 需要 2 个字节才能解码非 ascii 字符，但我们只有一个字节。这也是我期望 Java 代码出现的行为。

贴一些常用代码:

private void read(Reader reader) throws IOException {

    CharBuffer buffer = CharBuffer.allocate(8910);

    buffer.flip();

    // move existing data to the front of the buffer
    buffer.compact();

    // pull in as much data as we can from the socket
    int charsRead = reader.read(buffer);

    // flip so the data can be consumed
    buffer.flip();

    ByteBuffer encode = Charset.forName("UTF-8").encode(buffer);
    byte[] body = new byte[encode.remaining()];
    encode.get(body);

    System.out.println(new String(body));
}

这是我使用 nio 的第一种方法:

FileInputStream inputStream = new FileInputStream(new File("/tmp/malformed.log"));
read(Channels.newReader(inputStream.getChannel(), "UTF-8");

这会产生以下异常:

java.nio.charset.MalformedInputException: Input length = 1

    at java.nio.charset.CoderResult.throwException(CoderResult.java:281)
    at sun.nio.cs.StreamDecoder.implRead(StreamDecoder.java:339)
    at sun.nio.cs.StreamDecoder.read(StreamDecoder.java:178)
    at java.io.Reader.read(Reader.java:100)

这不是我所期望的，但也有一定道理，因为这实际上是一个损坏的非法文件，并且异常基本上告诉我们它期望读取更多字节。

我的第二个(使用常规的java.io):

FileInputStream inputStream = new FileInputStream(new File("/tmp/malformed.log"));
read(new InputStreamReader(inputStream, "UTF-8"));

这不会失败，并产生与 cat 完全相同的输出:

�

这也是有道理的。

所以我的问题是:

1. 在此场景中 Java 应用程序的预期行为是什么？
2. 为什么使用 Channels.newReader(返回 StreamDecoder)和简单使用常规 InputStreamReader 之间存在差异？我的阅读方式有问题吗？

如有任何澄清，我们将不胜感激。

谢谢:)

Answer 1

行为之间的差异实际上可以追溯到 StreamDecoder and Charset classes 。 InputStreamReader 从 StreamDecoder.forInputStreamReader(..) 获取 CharsetDecoder，它会在错误时进行替换

StreamDecoder(InputStream in, Object lock, Charset cs) {
    this(in, lock,
    cs.newDecoder()
    .onMalformedInput(CodingErrorAction.REPLACE)
    .onUnmappableCharacter(CodingErrorAction.REPLACE));
}

而 Channels.newReader(..) 使用默认设置创建解码器(即报告而不是替换，这会导致进一步的异常)

public static Reader newReader(ReadableByteChannel ch,
                               String csName) {
    checkNotNull(csName, "csName");
    return newReader(ch, Charset.forName(csName).newDecoder(), -1);
}

所以它们的工作方式不同，但文档中没有任何关于差异的指示。这是没有很好的记录的，但我假设他们改变了功能，因为你宁愿得到一个异常，也不愿让你的数据默默地损坏。

处理字符编码时要小心!