尽管编码正确，XML 解析器仍无法解析 UTF-8答案

【问题标题】：XML parser not parsing UTF-8 despite correct encoding尽管编码正确，XML 解析器仍无法解析 UTF-8
【发布时间】：2017-03-25 02:58:12
【问题描述】：

注意：这里有无数关于这个一般主题的问题，但我找不到针对我的具体问题的任何内容。

我正在从 http://rss.cnn.com/rss/cnn_latest.rss 解析 XML，我的解析器工作得很好，我得到了我正在寻找的一切。没问题。然后出乎意料地，经过数小时的正常工作……我开始遇到一些编码错误。

现在，我一直在做的是将源 XML 写入文件，然后解析该文件，如下所示。

File xmlfile = new File("cnnxml.txt");
DocumentBuilderFactory dbFactory = DocumentBuilderFactory.newInstance();

DocumentBuilder dBuilder = dbFactory.newDocumentBuilder();
Document doc = dBuilder.parse(xmlfile);

奇怪的是这是 XML 文件的第一行，所以看起来编码实际上是 UTF-8

<?xml version="1.0" encoding="UTF-8"?>

以下是我在 Eclipse 中遇到的错误。

com.sun.org.apache.xerces.internal.impl.io.MalformedByteSequenceException:Invalid byte 3 of 4-byte UTF-8 sequence.
at com.sun.org.apache.xerces.internal.impl.io.UTF8Reader.invalidByte(Unknown Source)
at com.sun.org.apache.xerces.internal.impl.io.UTF8Reader.read(Unknown Source)
at com.sun.org.apache.xerces.internal.impl.XMLEntityScanner.load(Unknown Source)
at com.sun.org.apache.xerces.internal.impl.XMLEntityScanner.scanData(Unknown Source)
at com.sun.org.apache.xerces.internal.impl.XMLDocumentFragmentScannerImpl.scanCDATASection(Unknown Source)
at com.sun.org.apache.xerces.internal.impl.XMLDocumentFragmentScannerImpl$FragmentContentDriver.next(Unknown Source)
at com.sun.org.apache.xerces.internal.impl.XMLDocumentScannerImpl.next(Unknown Source)
at com.sun.org.apache.xerces.internal.impl.XMLDocumentFragmentScannerImpl.scanDocument(Unknown Source)
at com.sun.org.apache.xerces.internal.parsers.XML11Configuration.parse(Unknown Source)
at com.sun.org.apache.xerces.internal.parsers.XML11Configuration.parse(Unknown Source) at com.sun.org.apache.xerces.internal.parsers.XMLParser.parse(Unknown Source)
at com.sun.org.apache.xerces.internal.parsers.DOMParser.parse(Unknown Source)
at com.sun.org.apache.xerces.internal.jaxp.DocumentBuilderImpl.parse(Unknown Source)
at javax.xml.parsers.DocumentBuilder.parse(Unknown Source)
at getRSS.main(getRSS.java:87)

而且，这又是一整天的工作，然后我突然开始遇到问题。怎么回事？

【问题讨论】：

我有一个 IOException try-catch ，它仍然会产生这个问题。当您说序列在一个实体中时，您是指在 XML 的每个单独项目（在这种情况下，每个故事链接到 RSS）中吗？这将为我的理论提供一些可信度，即无论出于何种原因，在我的编码过程中，一些奇怪的东西被添加到网站上，并破坏了曾经工作的东西。
@JoopEggen 你的评论应该是一个答案。

标签： java xml eclipse parsing xml-parsing

【解决方案1】：

获取文件的 InputStream，使用指定的字符编码（UTF-8）将其转换为字符串，并从字符串中解析 InputSource。示例代码：

        DocumentBuilderFactory dbFactory = DocumentBuilderFactory.newInstance();
        DocumentBuilder dBuilder = dbFactory.newDocumentBuilder();
        String content = IOUtils.toString(xmlInputStream, "UTF-8");
        InputSource is = new InputSource(new StringReader(content));
        Document doc = dBuilder.parse(is);
        doc.getDocumentElement().normalize();

【讨论】：

【解决方案2】：

您必须探索的解决方案。但@MichaelKay 认为不太可能有更好的答案。

文件声明为 UTF-8 但不是。使用 JEdit 或 Notepad++ 等程序员的编辑器来玩转编码。由于这是一个数据错误，捕获异常并制作文件副本以供检查。它可能只是服务器的错误消息 - 然后解决方案是检查响应状态。注意：可能序列在实体中 - 请参阅堆栈跟踪。

我的猜测是某些 XML 已损坏，因此 try-catch 应该对数据做一些事情：将其与堆栈跟踪等一起存储。最好是可重复的。

数据可能与“乱序”消息或某些边界情况有关。

【讨论】：

感谢您的帮助。事实证明，是的，页面和生成的 XML 文件中有一些非 UTF-8 内容，并导致了问题。但是，几个小时后，该页面基本上已经完全重新填充了新项目，并且问题得到了解决，而无需我进行任何更改。虽然我现在没有理由尝试它，但我想也许你的解决方案和 Manas Maji 的解决方案也可能会有所帮助。谢谢！