java - Java での UTF-8 から ISO-8859-1 への変換

Answer 1

これを行う標準ライブラリに正規化ルーチンがあるかどうかはわかりません。「スマートな」引用符の変換が標準のUnicode 正規化ルーチンによって処理されるとは思いませんが、引用しないでください。

賢明なことは、ISO-8859-1をダンプして を使い始めることUTF-8です。つまり、通常許可されている Unicode コード ポイントを としてエンコードされた HTML ページにエンコードすることは可能ISO-8859-1です。次に示すように、エスケープ シーケンスを使用してエンコードできます。

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;
  }
}

使用例:

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());

上記では、文字の左二重引用符 ( U+201C “ ) は “ としてエンコードされます。他のいくつかの任意のコード ポイントも同様にエンコードされます。

このアプローチには注意が必要です。テキストを HTML 用にエスケープする必要がある場合は、上記のコードまたはアンパサンドがエスケープされる前に行う必要があります。

Answer 2

デフォルトのエンコーディングによっては、次の行で問題が発生する可能性があります。

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

return new String(latin1);

Javaでは、String/Charは常にUTF-16BEです。異なるエンコーディングは、文字をバイトに変換する場合にのみ関係します。デフォルトのエンコーディングがUTF-8であるとすると、latin1バッファはUTF-8として扱われ、Latin-1の一部のシーケンスが無効なUTF-8シーケンスを形成する可能性があり、？が表示されます。

Answer 3

String オブジェクトをインスタンス化するときは、使用するエンコーディングを指定する必要があります。

だから置き換えます：

return new String(latin1);

に

return new String(latin1, "ISO-8859-1");