使用ROSUDA REngine从Java向R传递字符串出现编码乱码问题

乱码原因 #

你看到的ÿþ是UTF-16LE编码的字节顺序标记（BOM），说明字符串在从Java传入R的过程中编码处理不匹配：要么是从数据库读取字符串时保留了BOM，要么是JRI引擎在字符串传递时使用了错误的编码格式。

解决步骤 #

1. 修正数据库字符串读取方式
   直接使用rs.getString()可能导致驱动保留原始字节流中的BOM，改用字节流指定编码重新构造字符串：

// 替换原有的sampleCode = rs.getString("sampleCode");
byte[] bytes = rs.getBytes("sampleCode");
if (bytes != null) {
    // 跳过UTF-16LE的BOM（前两个字节0xFF 0xFE）
    int offset = 0;
    if (bytes.length >=2 && bytes[0] == (byte)0xFF && bytes[1] == (byte)0xFE) {
        offset = 2;
    }
    sampleCode = new String(bytes, offset, bytes.length - offset, "UTF-8");
}

2. 指定R引擎的编码
   启动JRI引擎时明确指定编码参数，确保和Java端编码一致：

// 修改引擎启动代码，添加--encoding参数
engine = REngine.engineForClass("org.rosuda.REngine.JRI.JRIEngine", 
                                new String[] {"-no-save", "--encoding=UTF-8"}, 
                                new REngineStdOutput(), false);

同时在R代码开头设置全局编码：

engine.parseAndEval("options(encoding='UTF-8')");

3. 修正代码笔误
   你最后执行的R代码中print(df_lab$HGS[1])，但构造DataFrame时并没有HGS列，这会引发错误，建议删除或修正该语句。

内容的提问来源于stack exchange，提问作者Abdelilah El-Hadad