字符集和罗马的问题（rss/atom feeds）

Question

我正在尝试使用 rome (1.0) 创建一个提要聚合器。一切正常，但我面临提要字符集的问题。我正在 mac os x (netbeans 6.9.1) 上使用 java 1.6 开发它。

我使用以下代码来检索提要：

InputStream is = new URL(_source).openConnection().getInputStream();
SyndFeed feed = (SyndFeed) input.build(new InputStreamReader(is, Charset.forName(_charset)));

其中 _source 是 rss 源（例如 http://rss.cnn.com/rss/edition.rss) 和 _charset 是 UTF-8 或 ISO-8859-1。

它可以工作，但有些带有拉丁字符（如葡萄牙语）的网站即使我使用两种编码也不起作用。

例如，从 http://oglobo.globo.com/rss/plantaopais.xml 将始终返回虚拟字符，如下所示：

Secret�rio de S�o Paulo (UTF-8)
圣保罗秘密 (ISO-8859-1)

为什么？我错过了什么吗？

如果我尝试使用 UTF-16 之类的内容，rome 会抛出错误： com.sun.synmination.io.ParsingFeedException: Invalid XML: Error on line 1: Content is not allowed in prolog。

我尝试过其他编码，例如US-ASCII，但没有幸运...

另一个问题：罗马是处理提要的最佳解决方案（使用java）吗？来自罗马的最新版本是 2009 年的 1.0。似乎已经死了...

TIA，

Bob

Answer 1

我不知道罗马（你可以在你的问题中添加一个链接）。 ISO-8859-1 应该是用于您链接的 feed 的正确编码。但是您的库不支持 InputStream 作为源吗（因此它本身会通过 XML 前导码查找正确的编码）？

难道是你的程序的输出处理后输出是乱码？你能编写

System.out.println("S\u00e3o Paulo");

你的程序并报告其输出吗？ （如果你的 Java + 控制台组合配置正确，它应该是“São Paulo”。）

---

所以，我现在下载并编译了 Rome（用 Maven 下载其他东西花了半个小时），我可以重现该问题。看起来采用 Reader 的 build 方法有问题。

这是一个可行的变体（如果 rome、jdom 和 xerces 位于类路径中）：

package de.fencing_game.paul.examples.rome;

import org.xml.sax.InputSource;

import java.nio.charset.Charset;
import java.io.*;
import java.net.*;

import com.sun.syndication.io.*;
import com.sun.syndication.feed.synd.*;

public class RomeTest {

    public static void main(String[] ignored)
        throws IOException, FeedException
    {
        String charset = "UTF-8";
        String url = "http://oglobo.globo.com/rss/plantaopais.xml";


        InputStream is = new URL(url).openConnection().getInputStream();
        InputSource source = new InputSource(is);

        SyndFeedInput input = new SyndFeedInput();
        SyndFeed feed = input.build(source);

        System.out.println("description: " + feed.getDescription());
    }


}

通过使用 InputSource 和 InputStream 而不是 Reader code>，解析器本身会找到正确的字符集，并得到正确的结果。

---

仔细研究一下源代码，我们的 SyndFeed 似乎将 Reader 或 InputSource 传递给 JDOM，JDOM 又将其传递给 SAX XMLReader，如果遇到一个以 。然后我在 Xerces 的源代码中进行了挖掘（这似乎是这里使用的），但没有发现任何可疑的东西会导致这种情况。