é 未正确解析

Question

我的应用程序将从 urlconnection 读取 xml。 xml编码是ISO-8859-1，它包含é字符。 我使用 xerces saxparser 来解析接收到的 xml 内容。 但是，在 lunix 操作系统下运行应用程序时，无法正确解析 é。 在 Windows 中一切工作正常。 你们能给我一些提示吗？ 多谢

Answer 1

这可能是标记为“ISO-8859-1”的文件实际上采用另一种编码的情况。

“ISO-8859-1”和“Windows-2152”经常会发生这种情况：它们的使用就好像它们可以互换一样，但事实并非如此。 （在这个答案的评论中已经澄清，两种编码都同意“é”的字符代码，因此 Windows-1252 可能不是它。）

您可以使用十六进制编辑器来查找文件中“é”的确切字符代码。 您可以将该值作为文件采用的编码方式的提示。如果您可以控制文件的生成方式，那么也建议查看负责的代码/方法。

Answer 2

我敢打赌这与 file.encoding 有关。 尝试在 Linux 上使用 -Dfile.encoding=iso-8859-1 作为 VM 参数运行。

如果这有效，您可能需要在打开流时（在代码中的某个位置）指定正确的格式。

Answer 3

您应该做的第一件事是确定 xml 文件的实际编码，正如 Tomalak 所建议的那样，而不是 header 中声明的编码。

您可以首先使用 Internet Explorer 打开它。 如果编码不正确，您可能会看到如下错误：

在文本中发现无效字符
内容。 处理资源时出错
...

或者下面的一个：

从当前编码切换到
不支持指定的编码。
处理资源时出错...

下一步是使用支持多种编码的文本编辑器。 您可以使用 Notepad++，它是免费的、易于使用且支持多种编码。 无论 xml 标头如何描述编码，编辑器都会尝试检测文件的编码并将其显示在状态栏上。

如果您确定文件编码是正确的，那么您可能无法正确处理 Java 内部的编码。 考虑到 Java 字符串是 UTF-16，默认情况下，在从字节数组转换或转换为字节数组时，如果未指定编码，Java 默认为系统编码（Windows 下的 Windows-1521 或现代 Linux 上的 UTF-8）。 某些编码转换只会导致出现“奇怪”字符，例如固定 8 位编码之间的转换（即 Windows-1252 <-> ISO-8859-1）。 其他转换会因无效字符而引发编码异常（例如，尝试将 Windows-1252 文本导入为 UTF-8）。

无效代码的示例如下：

// Parse the input
SAXParser saxParser = factory.newSAXParser();
InputStream is = new ByteArrayInputStream(stringToParse.getBytes());
saxParser.parse( is, handler );

转换 stringToParse.getBytes() 默认情况下返回 Windows 平台上编码为 Windows-1252 的字符串。 如果在此步骤中 XML 文本是用 ISO-8859-1 编码的，则字符有误。 正确的步骤应该是将 XML 作为字节而不是字符串读取，并让 SAX 管理 xml 编码。

Answer 4

如果 XML 声明未指定编码，则 sax 解析器将尝试使用默认编码 UTF-8。

如果您知道字符编码但未在 XML 声明中指定，则可以告诉解析器通过 InputSource 使用该编码：

InputSource inputSource = new InputSource(xmlInputStream);
inputSource.setEncoding("ISO-8859-1");

Answer 5

回复晚了，请原谅。 我们解决了问题。 我们对输入流做了一些错误的操作（正如 Fernando Miguélez 所说，转换导致了问题）。

感谢大家的帮助。