Java 删除变音符号

Question

我正在尝试制作将删除变音符号的功能（不想故意使用 Normalizer）。功能看起来像

private static String normalizeCharacter(Character curr) {
    String sdiac = "áäčďéěíĺľňóôőöŕšťúůűüýřžÁÄČĎÉĚÍĹĽŇÓÔŐÖŔŠŤÚŮŰÜÝŘŽ";
    String bdiac = "aacdeeillnoooorstuuuuyrzAACDEEILLNOOOORSTUUUUYRZ";
    char[] s = sdiac.toCharArray();
    char[] b = bdiac.toCharArray();
    String ret;
    for(int i = 0; i < sdiac.length(); i++){
        if(curr == s[i])
            curr = b[i];
    }
    ret = curr.toString().toLowerCase();
    ret = ret.replace("\n", "").replace("\r","");
    return ret;
}

函数是这样调用的（文件中的每个字符都被发送到这个函数）

private static String readFile(String fName) {

    File f = new File(fName);
    StringBuilder sb = new StringBuilder();

    try{

        FileInputStream fStream = new FileInputStream(f);
        Character curr;
        while(fStream.available() > 0){
            curr = (char) fStream.read();
            sb.append(normalizeCharacter(curr));
            System.out.print(normalizeCharacter(curr));
        }
    }catch(IOException e){
        e.printStackTrace();
    }
    return sb.toString();
}

文件 text.txt 包含以下内容：ľščťžýáíéúäôň 并且我希望程序在 return 中包含 lcstzyaieuaon 但我得到的是预期的字符串 ¾è yaieuaoò。我知道问题出在编码的某个地方，但不知道在哪里。有什么想法吗？

Answer 1

您正在尝试将字节转换为字符。

然而，字符ľ不表示为单个字节。它的 unicode 表示是 U+013E，它的 UTF-8 表示是 C4 BE。因此，它由两个字节表示。其他角色也是如此。

假设你的文件编码是UTF-8。然后你读取字节值 C4，然后你将它转换为 char。这将为您提供字符 U+00C4 (Ä)，not U+013E。然后你读取BE，它被转换为字符U+00BE (¾).

所以不要混淆字节和字符。不要直接使用 InputStream，你应该用 Reader 包裹它。 Reader 能够根据其创建时使用的编码读取字符：

BufferedReader reader = new BufferedReader(
                            new InputStreamReader(
                                new FileInputStream(f), StandardCharsets.UTF_8
                            )
                        );

现在，您将能够读取字符甚至整行，并且将直接完成编码。

int readVal;
while ( ( readVal = reader.read() ) != -1 ) {
    curr = (char)readVal;
    // ... the rest of your code
}

请记住，如果您要使用不带参数的 read()，您仍在阅读 int。

Java 删除变音符号

Java remove diacritic

java

diacritics