Discussion :

[kokapik]

Bonjour à tous,

Je suis nouveau dans l'univers Java.
Je souhaiterais faire une métode qui me permettrait de comparer deux String. L'une de ces deux String serait lue d'un fichier text, l'autre serait hardcodée.

Je n'ai pas de problème pour lire dans un fichier ou de faire la comparaison tant que je reste avec des caracteres non accentués. Par contre, si j'essaie de lire le mot : François sur une station Linux configurée avec des parametre géographique américain, je ne parviens plus à faire de comparaison de chaine de caractères.

Est-ce que quelqu'un pourrait-il m'aider ?

Pour donner un exemple plus concrait, voici ce que donne le mot François hardcodé après avoir fait un System.out.println : Fran�ois.
Tandis que la version lue : François

J'ai déjà essayé de modifier le charset sans succès.

Merci d'avance pour votre coup de main

[adiGuba]

Salut,


Quel sont les différents charsets utilisés ?
Et ton code source ?

a++

[kokapik]

Bonjour AdiGula,

Voici le code source utilisé :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
public static void main(String[] args) {
		String message = getMessage();
		String value = "François";
		Map<String, Charset> map = Charset.availableCharsets();
		for (String charsetName : map.keySet()) {
			final Charset charset = Charset.forName(charsetName);
			int result = isValid(message, charset, value);
			if (result > 0) {
				System.out.println("=======================================");
				System.out.println("\t" + charset.toString());
				System.out.println("=======================================");
				// System.exit(0);
			} else if (result > -1) {
				System.out.println("\t" + charset.toString());
			}
		}
		StringBuilder sb = new StringBuilder(value);
		Formatter formatter = new Formatter(sb, Locale.US);
		String text = formatter.toString();
		System.out.println(text);
		System.out.println(value);
		System.out.println(value.equals(text));
 
	}
 
	private static String getMessage() {
		FileReader sr;
		try {
//			sr = new FileReader("C:\\test_charset.txt");
			sr = new FileReader("test_charset.txt");
			BufferedReader buffer = new BufferedReader(sr);
			String line;
			if ((line = buffer.readLine()) != null) {
				return line;
			}
		} catch (FileNotFoundException e) {
			System.err.println("File not found !\n\n" + e.getMessage());
			System.exit(0);
		} catch (IOException e) {
			System.err.println("IO Problem !\n\n" + e.getMessage());
			System.exit(0);
		}
		return "";
	}
 
	private static int isValid(String message, Charset charset, String value) {
		try {
			// Charset charset = Charset.forName(charsetDefinition);//
			// ISO-8859-1//ISO-8859-15
			CharsetDecoder decoder = charset.newDecoder();
			CharsetEncoder encoder = charset.newEncoder();
			// Convert a string to ISO-LATIN-1 bytes in a ByteBuffer
			// The new ByteBuffer is ready to be read.
			ByteBuffer bbuf = encoder.encode(CharBuffer.wrap(message));
 
			// Convert ISO-LATIN-1 bytes in a ByteBuffer to a character
			// ByteBuffer and then to a string.
			// The new ByteBuffer is ready to be read.
			CharBuffer cbuf = decoder.decode(bbuf);
			// System.out.println("\t" + cbuf.toString());
			Boolean ok = value.equals(cbuf.toString());
			if (ok)
				return 1;
			else {
				System.out.println("\t" + cbuf.toString() + "\t" + value);
				return 0;
			}
		} catch (UnmappableCharacterException e) {
			// System.err.println(e.getClass().toString() + "\n\t" +
			// charset.toString() + "\n" + e.getMessage());
			return -1;
		} catch (CharacterCodingException e) {
			System.err.println(e.getClass().toString() + "\n\t"
					+ charset.toString() + "\n" + e.getMessage());
			return -2;
		} catch (Exception e) {
			System.err.println(e.getClass().toString() + "\n\t"
					+ charset.toString() + "\n" + e.getMessage());
			return -3;
		}
	}

En deux mots, il teste tous les charset enregistrés sur la machine et fait une comparaison avec le contenu d'un fichier text qui contient uniquement le mot François.
Ce fichier text a été créé sous Windows et déplacé vers ma station Linux.

[kokapik]

Voici également la liste des charset enregistré sur la machine linux :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
Big5 [csBig5]
Big5-HKSCS [big5-hkscs:unicode3.0, Big5_HKSCS, big5-hkscs, big5hkscs, big5hk]
COMPOUND_TEXT []
EUC-JP [eucjis, Extended_UNIX_Code_Packed_Format_for_Japanese, x-eucjp, eucjp, csEUCPkdFmtjapanese, euc_jp, x-euc-jp]
EUC-KR [5601, ksc5601-1987, ksc5601_1987, euckr, ksc5601, ksc_5601, ks_c_5601-1987, euc_kr, csEUCKR]
GB18030 [gb18030-2000]
GB2312 [euc-cn, x-EUC-CN, gb2312-1980, gb2312, gb2312-80, euccn, EUC_CN]
GBK [CP936, windows-936]
IBM-Thai [838, cp838, ibm838, ibm-838]
IBM00858 [cp858, ccsid00858, 858, cp00858]
IBM01140 [ccsid01140, cp01140, 1140, cp1140]
IBM01141 [cp1141, ccsid01141, cp01141, 1141]
IBM01142 [cp01142, cp1142, 1142, ccsid01142]
IBM01143 [cp01143, 1143, ccsid01143, cp1143]
IBM01144 [cp01144, cp1144, ccsid01144, 1144]
IBM01145 [cp1145, cp01145, ccsid01145, 1145]
IBM01146 [ccsid01146, cp01146, cp1146, 1146]
IBM01147 [ccsid01147, cp1147, 1147, cp01147]
IBM01148 [cp1148, ccsid01148, 1148, cp01148]
IBM01149 [cp1149, cp01149, ccsid01149, 1149]
IBM037 [cs-ebcdic-cp-nl, 037, cp037, ebcdic-cp-nl, ibm-37, ebcdic-cp-wt, cs-ebcdic-cp-us, ebcdic-cp-ca, cs-ebcdic-cp-wt, csIBM037, ibm-037, cs-ebcdic-cp-ca, cpibm37, ibm037, ebcdic-cp-us]
IBM1026 [cp1026, ibm-1026, 1026, ibm1026]
IBM1047 [cp1047, 1047, ibm-1047]
IBM273 [ibm-273, ibm273, cp273, 273]
IBM277 [cp277, 277, ibm-277, ibm277]
IBM278 [cp278, ebcdic-cp-se, 278, ibm278, ebcdic-sv, ibm-278, csIBM278]
IBM280 [280, ibm-280, cp280, ibm280]
IBM284 [cpibm284, csIBM284, ibm284, cp284, 284, ibm-284]
IBM285 [ibm285, ebcdic-cp-gb, cpibm285, cp285, csIBM285, ebcdic-gb, 285, ibm-285]
IBM297 [cp297, ibm297, 297, cpibm297, ebcdic-cp-fr, ibm-297, csIBM297]
IBM420 [ibm420, cp420, 420, ibm-420, csIBM420, ebcdic-cp-ar1]
IBM424 [csIBM424, ibm-424, ibm424, cp424, ebcdic-cp-he, 424]
IBM437 [ibm-437, windows-437, cspc8codepage437, 437, ibm437, cp437]
IBM500 [ibm-500, ebcdic-cp-bh, cp500, csIBM500, ibm500, ebcdic-cp-ch, 500]
IBM775 [ibm-775, cp775, ibm775, 775]
IBM850 [ibm-850, cp850, 850, cspc850multilingual, ibm850]
IBM852 [ibm852, csPCp852, 852, ibm-852, cp852]
IBM855 [cspcp855, 855, ibm855, ibm-855, cp855]
IBM857 [csIBM857, 857, ibm-857, cp857, ibm857]
IBM860 [860, cp860, ibm-860, csIBM860, ibm860]
IBM861 [861, cp-is, ibm-861, cp861, csIBM861, ibm861]
IBM862 [ibm-862, ibm862, csIBM862, cp862, cspc862latinhebrew, 862]
IBM863 [ibm863, csIBM863, cp863, 863, ibm-863]
IBM864 [csIBM864, ibm864, 864, cp864, ibm-864]
IBM865 [csIBM865, ibm865, 865, ibm-865, cp865]
IBM866 [866, ibm-866, ibm866, csIBM866, cp866]
IBM868 [868, ibm-868, cp868, csIBM868, cp-ar, ibm868]
IBM869 [869, ibm-869, cp869, csIBM869, cp-gr, ibm869]
IBM870 [ibm-870, ebcdic-cp-roece, ebcdic-cp-yu, ibm870, csIBM870, cp870, 870]
IBM871 [ibm-871, 871, ebcdic-cp-is, cp871, csIBM871, ibm871]
IBM918 [cp918, ebcdic-cp-ar2, ibm-918, 918]
ISO-2022-CN [ISO2022CN, csISO2022CN]
ISO-2022-JP [jis_encoding, csjisencoding, jis, iso2022jp, csISO2022JP]
ISO-2022-JP-2 [csISO2022JP2, iso2022jp2]
ISO-2022-KR [csISO2022KR, ISO2022KR]
ISO-8859-1 [csISOLatin1, IBM-819, iso-ir-100, 8859_1, ISO_8859-1, l1, ISO8859-1, ISO_8859_1, cp819, ISO8859_1, latin1, ISO_8859-1:1987, 819, IBM819]
ISO-8859-13 [8859_13, iso8859_13, iso_8859-13, ISO8859-13]
ISO-8859-15 [IBM923, 8859_15, ISO_8859-15, ISO-8859-15, L9, ISO8859-15, ISO8859_15_FDIS, 923, LATIN0, csISOlatin9, LATIN9, csISOlatin0, IBM-923, ISO8859_15, cp923]
ISO-8859-2 [iso-ir-101, csISOLatin2, ibm-912, 8859_2, l2, ISO_8859-2, ibm912, 912, ISO8859-2, latin2, iso8859_2, ISO_8859-2:1987, cp912]
ISO-8859-3 [ibm-913, csISOLatin3, iso-ir-109, l3, 8859_3, ibm913, ISO_8859-3, ISO8859-3, 913, latin3, iso8859_3, ISO_8859-3:1988, cp913]
ISO-8859-4 [iso-ir-110, iso8859-4, ibm914, ibm-914, l4, csISOLatin4, 914, 8859_4, latin4, ISO_8859-4, ISO_8859-4:1988, iso8859_4, cp914]
ISO-8859-5 [cp915, ISO8859-5, ibm915, ISO_8859-5:1988, ibm-915, 8859_5, 915, cyrillic, iso8859_5, ISO_8859-5, iso-ir-144, csISOLatinCyrillic]
ISO-8859-6 [arabic, ibm1089, iso8859_6, iso-ir-127, 8859_6, cp1089, ECMA-114, ISO_8859-6, csISOLatinArabic, ibm-1089, 1089, ISO8859-6, ASMO-708, ISO_8859-6:1987]
ISO-8859-7 [iso8859-7, sun_eu_greek, csISOLatinGreek, 813, ISO_8859-7, ISO_8859-7:1987, ibm-813, greek, greek8, iso8859_7, ECMA-118, iso-ir-126, 8859_7, cp813, ibm813, ELOT_928]
ISO-8859-8 [ibm916, cp916, csISOLatinHebrew, ISO_8859-8, ISO8859-8, ibm-916, iso8859_8, hebrew, 916, iso-ir-138, ISO_8859-8:1988, 8859_8]
ISO-8859-9 [ISO_8859-9, 920, iso8859_9, csISOLatin5, l5, 8859_9, latin5, ibm920, iso-ir-148, ISO_8859-9:1989, ISO8859-9, cp920, ibm-920]
JIS_X0201 [JIS0201, JIS_X0201, X0201, csHalfWidthKatakana]
JIS_X0212-1990 [csISO159JISX02121990, x0212, jis_x0212-1990, iso-ir-159, JIS0212]
KOI8-R [cskoi8r, koi8_r, koi8]
KOI8-U [koi8_u]
Shift_JIS [x-sjis, shift_jis, sjis, ms_kanji, shift-jis, csShiftJIS]
TIS-620 [tis620.2533, tis620]
US-ASCII [cp367, ascii7, ISO646-US, 646, csASCII, us, iso_646.irv:1983, ISO_646.irv:1991, IBM367, ASCII, default, ANSI_X3.4-1986, ANSI_X3.4-1968, iso-ir-6]
UTF-16 [utf16, UTF_16, UnicodeBig, unicode]
UTF-16BE [X-UTF-16BE, UTF_16BE, ISO-10646-UCS-2, UnicodeBigUnmarked]
UTF-16LE [UnicodeLittleUnmarked, UTF_16LE, X-UTF-16LE]
UTF-32 [UTF_32, UTF32]
UTF-32BE [X-UTF-32BE, UTF_32BE]
UTF-32LE [X-UTF-32LE, UTF_32LE]
UTF-8 [UTF8, unicode-1-1-utf-8]
windows-1250 [cp1250, cp5346]
windows-1251 [ansi-1251, cp5347, cp1251]
windows-1252 [cp1252, cp5348]
windows-1253 [cp1253, cp5349]
windows-1254 [cp1254, cp5350]
windows-1255 [cp1255]
windows-1256 [cp1256]
windows-1257 [cp1257, cp5353]
windows-1258 [cp1258]
windows-31j [csWindows31J, windows-932, MS932]
x-Big5-Solaris [Big5_Solaris]
x-euc-jp-linux [euc-jp-linux, euc_jp_linux]
x-EUC-TW [euc_tw, EUC-TW, cns11643, euctw]
x-eucJP-Open [EUC_JP_Solaris, eucJP-open]
x-IBM1006 [cp1006, ibm-1006, ibm1006, 1006]
x-IBM1025 [cp1025, ibm-1025, 1025, ibm1025]
x-IBM1046 [ibm-1046, cp1046, ibm1046, 1046]
x-IBM1097 [cp1097, 1097, ibm-1097, ibm1097]
x-IBM1098 [ibm-1098, cp1098, ibm1098, 1098]
x-IBM1112 [ibm-1112, 1112, ibm1112, cp1112]
x-IBM1122 [cp1122, ibm-1122, 1122, ibm1122]
x-IBM1123 [cp1123, ibm-1123, 1123, ibm1123]
x-IBM1124 [cp1124, ibm-1124, 1124, ibm1124]
x-IBM1381 [ibm1381, cp1381, ibm-1381, 1381]
x-IBM1383 [cp1383, 1383, ibm1383, ibm-1383]
x-IBM33722 [ibm33722, 33722, ibm-33722_vascii_vpua, ibm-5050, ibm-33722, cp33722]
x-IBM737 [cp737, ibm-737, 737, ibm737]
x-IBM833 [ibm-833, ibm833, cp833]
x-IBM834 [ibm834, ibm-834, cp834]
x-IBM856 [856, cp856, ibm-856, ibm856]
x-IBM874 [cp874, ibm874, 874, ibm-874]
x-IBM875 [ibm875, 875, cp875, ibm-875]
x-IBM921 [cp921, ibm921, ibm-921, 921]
x-IBM922 [ibm922, ibm-922, cp922, 922]
x-IBM930 [cp930, ibm930, ibm-930, 930]
x-IBM933 [cp933, 933, ibm933, ibm-933]
x-IBM935 [ibm935, cp935, 935, ibm-935]
x-IBM937 [ibm-937, cp937, 937, ibm937]
x-IBM939 [ibm-939, ibm939, cp939, 939]
x-IBM942 [ibm-942, ibm942, cp942, 942]
x-IBM942C [942C, ibm942C, cp942C, ibm-942C]
x-IBM943 [943, ibm-943, cp943, ibm943]
x-IBM943C [ibm-943C, 943C, cp943C, ibm943C]
x-IBM948 [ibm948, ibm-948, cp948, 948]
x-IBM949 [ibm949, ibm-949, 949, cp949]
x-IBM949C [cp949C, 949C, ibm-949C, ibm949C]
x-IBM950 [950, ibm950, cp950, ibm-950]
x-IBM964 [964, cp964, ibm-964, ibm964]
x-IBM970 [970, ibm-970, ibm970, cp970, ibm-eucKR]
x-ISCII91 [iso-ir-153, ST_SEV_358-88, ISCII91, iscii, csISO153GOST1976874]
x-ISO-2022-CN-CNS [ISO-2022-CN-CNS, ISO2022CN_CNS]
x-ISO-2022-CN-GB [ISO-2022-CN-GB, ISO2022CN_GB]
x-iso-8859-11 [iso-8859-11, iso8859_11]
x-JIS0208 [JIS_X0208-1983, x0208, JIS0208, JIS_C6226-1983, iso-ir-87, csISO87JISX0208]
x-JISAutoDetect [JISAutoDetect]
x-Johab [ksc5601_1992, ms1361, ksc5601-1992, johab]
x-MacArabic [MacArabic]
x-MacCentralEurope [MacCentralEurope]
x-MacCroatian [MacCroatian]
x-MacCyrillic [MacCyrillic]
x-MacDingbat [MacDingbat]
x-MacGreek [MacGreek]
x-MacHebrew [MacHebrew]
x-MacIceland [MacIceland]
x-MacRoman [MacRoman]
x-MacRomania [MacRomania]
x-MacSymbol [MacSymbol]
x-MacThai [MacThai]
x-MacTurkish [MacTurkish]
x-MacUkraine [MacUkraine]
x-MS932_0213 []
x-MS950-HKSCS [MS950_HKSCS]
x-mswin-936 [ms936, ms_936]
x-PCK [pck]
x-SJIS_0213 []
x-UTF-16LE-BOM [UnicodeLittle]
X-UTF-32BE-BOM [UTF_32BE_BOM, UTF-32BE-BOM]
X-UTF-32LE-BOM [UTF_32LE_BOM, UTF-32LE-BOM]
x-windows-50220 [cp50220, ms50220]
x-windows-50221 [ms50221, cp50221]
x-windows-874 [ms-874, ms874, windows-874]
x-windows-949 [windows-949, ms_949, windows949, ms949]
x-windows-950 [ms950, windows-950]
x-windows-iso2022jp [windows-iso2022jp]

Mon petit programme ne me permet pas de trouvé le bon charset et d'arriver à afficher le c cédille :-s

[thelvin]

Si tu travailles en contexte américain (ou français,) il y a deux charsets intéressants : iso-8859-1 (aussi appelé latin-1) ou utf-8.
Les autres tu t'en balances. Pas besoin de les essayer tous. Cette liste ne sert que pour voir ce que Java gère.

Je ne vois pas à quel moment tu "utilises les charsets". Tu ne fais que lister tous ceux qui existent, mais tu ne t'en sers pas.
Je ne sais pas ce que tu croyais faire avec Formatter, mais tu n'as rien fait du tout.

Ici, tu lis une String à partir d'un fichier. Tu as besoin de spécifier le bon charset du fichier. Comme tu ne le fais pas, Java utilise le charset par défaut, qui n'est peut-être pas le bon.

Exemple :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

sr = new InputStreamReader(new FileInputStream("test_charset.txt"), "iso-8859-1");

En supposant que test_charset.txt soit bien en ISO-8859-1, ça réglera le problème de ce côté-ci.
Reste le fichier Java lui-même, qui contient une chaîne avec accent. Il est possible que le compilateur n'ait pas utilisé le bon charset pour le compiler.

Pour spécifier le charset des fichiers .java à la compilation, il faut ajouter l'option -encoding à javac :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

javac -encoding iso-8859-1 <le reste des paramètres>

Et cela devrait régler le problème de ce côté-ci. Les Strings seront considérées égales, et devraient bien s'afficher dans la sortie standard.

[adiGuba]

Mon petit programme ne me permet pas de trouvé le bon charset et d'arriver à afficher le c cédille :-s

Si le fichier vient de Windows, il y a de forte chance que ce soit du "windows-1252"...

a++

[edit] @thelvin : En réalité Windows utilise plutôt du "windows-1252" (ou cp1252). Toutefois c'est vrai que c'est un charset très proche de l'iso-8859-1...

[thelvin]

Je ne voulais pas provoquer de confusion entre iso-8859-1 et windows-1252... Mais bon, raté :p.
Les différences étant minimes, et n'ayant aucun effet sur le c cédille ni la plupart de l'alphabet ni des accents, on a qu'à dire que iso-8859-1 et windows-1252 sont la même chose.

[adiGuba]

D'abord quelques questions :

• Quel est l'encodage de ton système d'exploitation ?
• Comment tu compiles ? Avec un EDI ou directement avec Java ?
• Quel est l'encodage du fichier texte ?

Quand à ton problème, il vient du fait que ta méthode getMessage() lit ton fichier avec le charset par défaut de ton système d'exploitation. Et si ce dernier n'est pas le même que celui du fichier tu obtiendras quelque chose d'incorrect.

Et tout ce que tu fais dans isValid() est complètement inutile et faux ! Ce n'est pas comme cela que tu obtiendras quelques choses de correct.


Tu dois impérativement préciser les bons charsets lors de la lecture... Tu ne peux pas le tester aussi facilement. Au mieux tu peux vérifier qu'il n'y a pas d'erreur de décodage, mais cela ne signifie pas forcément que c'est le bon charset...


Tu dois préciser l'encodage à la lecture du fichier !

a++