为什么 XMLEventReader 报告包含标记的 CHARACTERS 事件？

Question

我有一个 XMLEventReader。它是使用“UTF8”编码从 XMLInputFactory 构建的。我用它来读取“encoding”属性设置为“UTF-8”的 XML 文件。

我已经验证 XML 文件在 Firefox 下可以正确查看。当你查看页面编码时，它说它是UTF-8。

我已将 XMLEventReader 设置为合并字符事件，如下所示：

reader.setProperty(XMLEventReader.IS_COALESCING, Boolean.TRUE);

XML 文档没有 DTD。这是有效的。

XMLEventReader 有时会报告已收到一个 CHARACTERS 事件，其内容为（减去引号），例如：

r problems were most severe and frequent.) Did you sleep a lot more than usual nearly every night during that period?</text>  Ð 

请注意样本末尾附近存在标记标签以及大写的 thorn。另请注意，该句子已被删除；据推测，在此事件之前还有另一个 CHARACTERS 事件，其中包含句子的前导部分。

为什么 XMLEventReader 会搞砸解析？为什么字符显示不正确？如果确实发生了这种情况，为什么 XMLEventReader 不合并 CHARACTERS 事件？为什么 StAX 如此丑陋且难以预测？

我正在 Mac 上使用 Java 运行时 (Java 6) 提供的 XMLEventReader。

下面是一些示例 XML，当然，我只是从编辑器中复制了它，所以谁知道因此会发生什么字符转换，但无论如何：

<question id="BMHPD17">
  <permittedResponseCount>1</permittedResponseCount>
  <text>It’s hard for me to stay out of trouble. (Would you say this is true or false for you?)</text>
  <namedAnswerSet idref="TrueFalse"></namedAnswerSet>
</question>

请注意第 3 行上的“智能撇号”。

我正在通过反应来阅读此内容到 CHARACTERS 事件，将其内容保存到堆栈上的字符串中，然后对名称为“question”的 END_ELEMENT 事件做出反应。收到问题的 END_ELEMENT 事件后，我检索刚才提到的字符串的值，并构造一个 Java 对象，该对象将我刚才提到的字符串作为输入。

当我使用 System.out.println() 结果时，我（有时）会得到我之前提到的虚假垃圾。

当我将 System.out 包装在带有“UTF8”编码集的 PrintWriter 中时，这样我就不是简单地根据平台的编码输出字符，我得到了相同的结果。

Answer 1

事实证明这是 Mac OSX JVM 上的一个错误。控制台使用的字符编码并不默认为 UTF-8，即使默认字符编码的所有其他用法都是 UTF8。

Answer 2

这是否与基础 SAX 事件相同（包括起始偏移量和长度）？如果是这样，您可能会发现它们指定了排除标记的字符串区域。