使用Java BufferedReader读取SRT文件出现垃圾字节值问题咨询

问题场景 #

你尝试用Java的BufferedReader逐行读取SRT文件，文件内容如下：

2
00:00:40,665 --> 00:00:44,806
<i>♪ Nants ingonyama ♪</i>

使用的代码片段：

public void parseSubtitles(@NonNull final MultipartFile subtitleFile) {
    InputStream is = subtitleFile.getInputStream();
    BufferedReader reader = new BufferedReader(new InputStreamReader(is));
    String line;
    while ((line = reader.readLine()) != null) {
        System.out.println(line);
    }
}

调试时发现异常：

• 第一行“2”对应的字节数组为[-3, -1, -3, -1, 50, 0, 0, 0]
• 下一行字节数组仅为[0]（对应空行）
• 字幕时间行的字节数组为[0, 48, 0, 48, 0, 58, 0, 48, 0, 48, 0, 58, 0, 52, 0, 48, 0, 44, 0, 54, 0, 54, 0, 53, 0, 32, 0, 45, 0, 45, 0, 62, 0, 32, 0, 48, 0, 48, 0, 58, 0, 48, 0, 48, 0, 58, 0, 52, 0, 52, 0, 44, 0, 56, 0, 48, 0, 54, 0]

其他SRT文件无此问题，下面是成因分析：

核心成因 #

1. 编码不匹配
   这个异常的SRT文件采用的是UTF-16BE编码，而你代码中的InputStreamReader使用了系统默认编码（通常是UTF-8或GBK）读取，两者不匹配导致解析混乱。

   • 时间行的字节数组里，每个ASCII字符对应两个字节（高字节为0，低字节是字符的ASCII值），比如'0'对应0,48，':'对应0,58，这完全符合UTF-16BE的编码规则（每个字符占2字节，大端序存储）。
   • 正常SRT文件一般用UTF-8编码，所以读取时不会有问题。

2. 损坏的字节顺序标记（BOM）
   文件开头的[-3,-1,-3,-1]是损坏的BOM：

   • 标准UTF-16BE的BOM是FE FF（对应字节值-2, -1），而这里的字节不符合规范，进一步干扰了编码解析逻辑，导致第一行的'2'被错误解析（实际'2'的UTF-16BE编码应该是0,50，但文件里是50,0,0,0，疑似混入了UTF-32的字节格式）。

3. 空行的来源
   下一行的[0]字节，用UTF-8解析时会被识别为无效的空字符，进而被readLine()当成空行返回。

解决思路 #

读取时指定正确的编码格式，比如明确使用UTF-16BE：

BufferedReader reader = new BufferedReader(new InputStreamReader(is, StandardCharsets.UTF_16BE));

如果不确定文件编码，可以先通过检测文件开头的BOM字节或尝试多种常见编码来适配。

内容的提问来源于stack exchange，提问作者Suvid Sahay