java - 使用 RandomAccessFile 读取单个 UTF-8 字符

Question

我已经设置了一个顺序扫描器，其中指向我的文件的 RandomAccessFile 能够通过以下方法读取单个字符:

public char nextChar() {
    try {
        seekPointer++;
        int i = source.read();
        return i > -1 ? (char) i : '\0'; // INFO: EOF character is -1.
    } catch (IOException e) {
        e.printStackTrace();
    }
    return '\0';
}

seekPointer 只是我程序的一个引用，但是该方法将 source.read() 存储在一个 int 中，然后返回如果它不是文件的末尾，它会转换为 char。但是我收到的这些字符是 ASCII 格式的，事实上它太糟糕了，我什至不能使用像 ç 这样的符号。

有没有一种方法可以让我接收一个单个字符，它是 UTF-8 格式或至少允许 ASCII 字符集以外的标准化格式？

我知道我可以使用 readUTF() 但它会将整行作为字符串返回，这不是我想要的。

此外，我不能简单地使用另一个流读取器，因为我的程序需要一个 seek(int) 函数，允许我在文件中来回移动。

Answer 1

根据 Willis Blackburn 的回答，我可以简单地进行一些整数检查以确保它们超过一定数量，以获得我需要提前检查的字符数量。

根据下表判断:

first byte starts with 0                         1 byte char
first byte starts with 10    >= 128 && <= 191    ? byte(s) char
first byte starts with 11        >= 192          2 bytes char
first byte starts with 111       >= 224          3 bytes char
first byte starts with 1111      >= 240          4 bytes char

我们可以通过将它与中间列中的数字进行比较来检查从 RandomAccessFile.read() 中读取的整数，这些数字实际上只是一个字节的整数表示。这使我们能够完全跳过字节转换，从而节省时间。

以下代码将从 RandomAccessFile 中读取一个字节长度为 1-4 的字符:

int seekPointer = 0;
RandomAccessFile source; // initialise in your own way

public void seek(int shift) {
    seekPointer += shift;
    if (seekPointer < 0) seekPointer = 0;
    try {
        source.seek(seekPointer);
    } catch (IOException e) {
        e.printStackTrace();
    }
}

private int byteCheck(int chr) {
    if (chr == -1) return 1; // eof
    int i = 1; // theres always atleast one byte
    if (chr >= 192) i++; // 2 bytes
    if (chr >= 224) i++; // 3 bytes
    if (chr >= 240) i++; // 4 bytes
    if (chr >= 128 && chr <= 191) i = -1; // woops, we're halfway through a char!
    return i;
}

public char nextChar() {
    try {
        seekPointer++;
        int i = source.read();

        if (byteCheck(i) == -1) {
            boolean malformed = true;
            for (int k = 0; k < 4; k++) { // Iterate 3 times.
                // we only iterate 3 times because the maximum size of a utf-8 char is 4 bytes.
                // any further and we may possibly interrupt the other chars.
                seek(-1);
                i = source.read();
                if (byteCheck(i) != -1) {
                    malformed = false;
                    break;
                }
            }
            if (malformed) {
                seek(3);
                throw new UTFDataFormatException("Malformed UTF char at position: " + seekPointer);
            }
        }

        byte[] chrs = new byte[byteCheck(i)];
        chrs[0] = (byte) i;

        for (int j = 1; j < chrs.length; j++) {
            seekPointer++;
            chrs[j] = (byte) source.read();
        }

        return i > -1 ? new String(chrs, Charset.forName("UTF-8")).charAt(0) : '\0'; // EOF character is -1.
    } catch (IOException e) {
        e.printStackTrace();
    }
    return '\0';
}