Discussion :

[kevinou55]

Bonjour a tous,
voila j'ai un petit souci, il faut que je récupère un texte vietnamien (et donc tous ses caractères spécifiques) dans un document Word.

J'ai réussi à récupérer le texte grâce à WordExtractor mais le problème est que quand je l'affiche dans la console, les caractères spéciaux sont remplacés par des "?".

J'ai également cherché pour changer l'encodage en passant par des bytes mais je n'obtiens aucun résultat correct...

Quelqu'un aurait-il une solution ?

[tchize_]

Si tu as de ? dans ta console, c'est qu'un des cas suivant s'est produit:

1. Ta console ne gère pas les caractère vietnamien -> dans ce cas change la police de ta console. Note que généralement les caractère non supportés ont plutot tendance à s'afficher sous forme de petits carrés
2. L'encodage java de System.out et l'encodage utilisé par la console ne correspondent pas. Exemple: java utilise l'UTF-8 et la console l'iso-8859-1. Il suffit d'extraire un word contenant des caractère français avec accent, il s'afficheront mal aussi dans ce cas là. Dans ce cas, mettre tout le monde d'accord en utilisant le meme encodage partout (java et console)
3. Les encodages correspondent (exemple ISO-8859-1 de chaque coté) mais il s'agit d'un encodage ne supportant pas les caractère vietnamien. De préférence utilise toujours UTF-8 comme encodage.

Donc en pratique:

lancer ton application avec -Dfile.encoding=UTF-8 pour forcer l'utilisation de l'utf-8 dans la console java. Note que ceci ne définis que la partie java. Tu dois encore changer la configuration de ta console système. Ceci dépend uniquement de ton système.

[kevinou55]

en fait quand je parlais de la console je parlais de la console java.
Je travaille sous NetBeans,
je suis bien allé dans monProjet->Properties->Build->Compiling et ai mis la ligne que tu viens de me donner mais rien ne se passe.

Je pense que le problème vient du fait que je repasse par un String qui lui est encodé en UTF-16 si j'ai bien compris.

Dans le texte vietnamien il y a des caractères à accent et ils s'affichent très bien

[tchize_]

Non, l'encodage des string interne à java est le même partout et défini dans la JVM même. Les seuls endroit ou il peuvent etre corrompus c'est la transformation de et vers du binaire, donc en utilisant un charset.

Le problème de console est le même qu'il s'agisse de la console de l'os ou de netbeans. Il faut que le charset utilisé par jave et par netbeans soient les mêmes.


Si tu fait ceci

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

OutputStreamWriter osw = new OutputStreamWriter(new FileOutputStream("unFichier.txt"),"UTF-8");

et que tu envoie ton texte vers ce fichier, est-ce qu'il s'affiche correctement dans un editeur supportant l'utf-8? Si oui, c'est un problème console, si non, c'est un problème de ta librairie qui lit le fichier word.

[kevinou55]

en fait je cherche depuis je ne sais combien de temps pour rien, cela venait juste de ma console...

Donc si veux comparer deux String en vietnamien, une simple comparaison suffira ? comme avec une String normale ?

[tchize_]

Donc si veux comparer deux String en vietnamien, une simple comparaison suffira ? comme avec une String normale ?

Oui, l'encodage interne de java est basé sur l'unicode, il gère donc tous les caractères que gère l'unicode. Soit au jour d'aujourd'hui, tout depuis l'anglais jusqu'au vietnamien en passant par le braille et l'hébreu.

[kevinou55]

ok ok nickel meme le braille... pas mal