1

我有一个编码为 1250 的大文件。行只是一个接一个的波兰语：

zając
dzieło
kiepsko
etc

我需要以一种非常快速的方式从这个文件中随机选择 10 行唯一的行。我这样做了，但是当我打印这些单词时，它们的编码错误 [zaj?c, dzie?o, kiepsko...]，我需要 UTF8。所以我改变了我的代码来从文件中读取字节而不仅仅是读取行，所以我的努力​​最终得到了这个代码：

public List<String> getRandomWordsFromDictionary(int number) {
    List<String> randomWords = new ArrayList<String>();
    File file = new File("file.txt");
    try {
        RandomAccessFile raf = new RandomAccessFile(file, "r");

        for(int i = 0; i < number; i++) {
            Random random = new Random();
            int startPosition;
            String word;
            do {
                startPosition = random.nextInt((int)raf.length());
                raf.seek(startPosition);
                raf.readLine();
                word = grabWordFromDictionary(raf);
            } while(checkProbability(word));
            System.out.println("Word: " + word);
            randomWords.add(word);
        }
    } catch (IOException ioe) {
        logger.error(ioe.getMessage(), ioe);
    }
    return randomWords;
}

private String grabWordFromDictionary(RandomAccessFile raf) throws IOException {
    byte[] wordInBytes = new byte[15];
    int counter = 0;
    byte wordByte;
    char wordChar;
    String convertedWord;
    boolean stop = true;
    do {
        wordByte = raf.readByte();
        wordChar = (char)wordByte;
        if(wordChar == '\n' || wordChar == '\r' || wordChar == -1) {
            stop = false;
        } else {
            wordInBytes[counter] = wordByte;
            counter++;
        }           
    } while(stop);
    if(wordInBytes.length > 0) {
        convertedWord = new String(wordInBytes, "UTF8");
        return convertedWord;
    } else {
        return null;
    }
}

private boolean checkProbability(String word) {
    if(word.length() > MAX_LENGTH_LINE) {
        return true;
    } else {
        double randomDouble = new Random().nextDouble();
        double probability = (double) MIN_LENGTH_LINE / word.length();
        return probability <= randomDouble;         
    }
}

但有些不对劲。你能看看这段代码并帮助我吗？也许您看到了一些明显的错误，但对我来说并不明显？我将不胜感激。

4

1 回答 1

4

您的文件在 1250 中，因此您需要在 1250 中解码它，而不是 UTF-8。不过，您可以在解码过程后将其保存为 UTF-8。

Charset w1250 = Charset.forName("Windows-1250");
convertedWord = new String(wordInBytes, w1250);
于 2012-12-13T22:04:39.303 回答