Comprobar línea para caracteres no imprimibles al leer el archivo de texto

Question

Mi programa debe leer archivos de texto - línea por línea. Archivos en UTF-8. No estoy seguro de que los archivos sean correctos; pueden contener caracteres no imprimibles. ¿Es posible verificarlo sin pasar al nivel de bytes? Gracias.

Answer 1

Si desea comprobar una cadena tiene caracteres no imprimibles se puede utilizar una expresión regular

[^\p{Print}] 

Answer 2

Si bien no es difícil hacer esto manualmente usando BufferedReader y InputStreamReader, que haría uso de Guava:

List<String> lines = Files.readLines(file, Charsets.UTF_8); 

A continuación, puede hacer lo que quiera con esas líneas.

EDITAR: Tenga en cuenta que esto leerá todo el archivo en la memoria de una vez. En la mayoría de los casos, eso está realmente bien, y ciertamente es más simple que leyéndola línea por línea, procesando cada línea a medida que la lee. Si se trata de un archivo enorme, es posible que deba hacerlo de esa manera según T.J. La respuesta de Crowder.

Answer 3

Abrir el archivo con un FileInputStream, a continuación, utilizar una InputStreamReader con el UTF-8 Charset para leer caracteres de la corriente, y utilizar un BufferedReader para leer las líneas, por ejemplo a través de BufferedReader#readLine, que le dará una cadena. Una vez que tenga la cadena, puede verificar si hay caracteres que no son lo que considera imprimibles.

E.g. (Sin comprobación de errores), utilizando try-with-resources (que está en vagamente moderna versión de Java):

String line; 
try (
    InputStream fis = new FileInputStream("the_file_name"); 
    InputStreamReader isr = new InputStreamReader(fis, Charset.forName("UTF-8")); 
    BufferedReader br = new BufferedReader(isr); 
) { 
    while ((line = br.readLine()) != null) { 
     // Deal with the line 
    } 
} 

Answer 4

Si cada caracter en el archivo está codificado adecuadamente en UTF-8, no tendrá ningún problema para leerlo usando un lector con la codificación UTF-8. Depende de usted comprobar cada carácter del archivo y ver si lo considera imprimible o no.

Answer 5

acabo de enterar que con el Java NIO (java.nio.file.*) se puede escribir fácilmente:

List<String> lines=Files.readAllLines(Paths.get("/tmp/test.csv"), Charset.forName("UTF-8")); 
for(String line:lines){ 
    System.out.println(line); 
} 

en lugar de tratar con FileInputStream sy BufferedReader s ...

Answer 6

¿Qué le parece a continuación:

FileReader fileReader = new FileReader(new File("test.txt")); 

BufferedReader br = new BufferedReader(fileReader); 

String line = null; 
// if no more lines the readLine() returns null 
while ((line = br.readLine()) != null) { 
     // reading lines until the end of the file 

} 

Fuente: http://devmain.blogspot.co.uk/2013/10/java-quick-way-to-read-or-write-to-file.html

Answer 7

La respuesta por @TJCrowder es Java 6 - 7 en java la respuesta válida es el uno por @McIntosh - aunque su uso del juego de caracteres para el nombre de UTF -8 se desanima:

List<String> lines = Files.readAllLines(Paths.get("/tmp/test.csv"), 
    StandardCharsets.UTF_8); 
for(String line: lines){ /* DO */ } 

recuerda mucho a la forma de guayaba publicado por Skeet anterior - y por supuesto se aplican mismas advertencias. Es decir, para archivos grandes (Java 7):

BufferedReader reader = Files.newBufferedReader(path, StandardCharsets.UTF_8); 
for (String line = reader.readLine(); line != null; line = reader.readLine()) {} 

Answer 8

Puedo encontrar las siguientes formas de hacerlo.

private static final String fileName = "C:/Input.txt"; 

public static void main(String[] args) throws IOException { 
    Stream<String> lines = Files.lines(Paths.get(fileName)); 
    lines.toArray(String[]::new); 

    List<String> readAllLines = Files.readAllLines(Paths.get(fileName)); 
    readAllLines.forEach(s -> System.out.println(s)); 

    File file = new File(fileName); 
    Scanner scanner = new Scanner(file); 
    while (scanner.hasNext()) { 
     System.out.println(scanner.next()); 
    }