テキストファイルの先頭から文字を1文字ずつ取得し、

質問

テキストファイルの先頭から文字を1文字ずつ取得し、
同時に各文字の文字コード、バイト数、及びファイルポインタを取得したいです。
ただし改行、タブ、BOM、及びファイル末尾の連続する空白は除外します。
扱うテキストファイルのエンコーディング方式は統一されませんが、
Shift_JIS、EUC-JP、UTF-8、UTF-16LEに限定されると思います。
尚、テキストファイルのエンコーディング方式の特定については、
外部リソースへの問い合わせにより解決します。

例として次の様なファイルがあります

ファイル名:test.txt
コーディング方式:Shift_JIS
内容:あiウ

この場合ですと、

1文字目
├文字コード=あ
├バイト数=2
└ファイルポインタ位置=0

2文字目
├文字=i
├バイト数=1
└ファイルポインタ位置=2

3文字目
├文字=ウ
├バイト数=1
└ファイルポインタ位置=3

となり、上記ファイルのエンコーディング方式がUTF-8であった場合、

1文字目
├文字=あ
├バイト数=3
└ファイルポインタ位置=0

2文字目
├文字=i
├バイト数=1
└ファイルポインタ位置=3

3文字目
├文字=ウ
├バイト数=3
└ファイルポインタ位置=4

となって欲しいです。

現在色々調べつつやっていますが、なかなか具体的な方法が見えてきません。
InputStreamReaderクラスを使ってエンコード方式を指定すれば中身を読めますが、読み込み元のバイト数が取得出来ず、ポインタも取得できません。
しかしRandomAccessFileクラスを使って読むとポインタの取得行える物の、エンコーディング方式を指定できません。
そんなこんなではまりこんで困っております。どういったクラスを使えば良いか等、情報をいただければ幸いです。
どうかお助け下さい。

回答No.1

tyatsumi · ベストアンサー

「読み込み元のバイト数が取得出来ず」とありますが、
InputStreamReaderのread()で読んだ1文字の値をcとすると、

char[] temp = new char[1];
temp[0] = (char)c;
String s = new String(temp, encoding); // new String(temp) でいいのかな？？
int n = s.getBytes(encoding).length;

としてnが読み込んだバイト数に等しくなるかと思います。あまりきれいではありませんが。
似たようなことをCharsetクラスやCharsetEncoderクラスのencode()でもできるかもしれません。

これを積算すればファイルポインタが今何処を指しているかわかるので、
InputStreamReaderを継承したクラスを作って、
read()をオーバーライドして位置を積算するようにして、
現在の位置を返すメソッドを追加すればよいかと思います。
ついでに空白などをスキップすることもできるでしょう。

試したわけではないので、アイディアだけの紹介でした。

お礼

回答ありがとうございます。
String#getBytes()メソッドの存在を知らなかった為、まさしく福音の回答でした。
ちょっと荒組してみましたが、きちんと指定したエンコード方式でのバイト数が取得できています。
このアイディアを頂き、実装に取り掛かってみようと思います。
ありがとうございました！