在 XML 文件中遇到特殊的 UTF-8 字符时想要抛出异常答案

【问题标题】：Want to throw exception when encounter special UTF-8 characters in an XML file在 XML 文件中遇到特殊的 UTF-8 字符时想要抛出异常
【发布时间】：2014-09-19 13:45:54
【问题描述】：

我正在解析一个具有 UTF-8 编码的 XML 文件。

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

现在我们的业务应用程序有一组由不同团队开发的组件，并且没有使用相同的库来解析 XML。我的组件使用 JAXB，而其他一些组件使用 SAX 等等。现在，当 XML 文件具有特殊字符，如“ä”或“ë”或“é”（带有变音符号的字符）时，JAXB 会正确解析它，但其他组件（子应用程序）无法正确解析它们并引发异常。

由于业务需要，我无法更改其他组件的编程，但我必须对我的应用程序进行限制/验证，以确保 XML（数据加载）文件不包含任何此类字符。

什么是确保文件不包含上述（或类似）字符的最佳方法，并且我可以在开始使用 JAXB 解析 XML 文件之前在那里抛出异常（或给出错误）。

【问题讨论】：

听起来和你的问题一样简单 - 检查文件，如果它包含无效字符......如果你不能依赖标题信息，那么你必须自己对文件进行编码，看看它是否崩溃...您可以使用某种编码读取文件，请参阅stackoverflow.com/questions/3043710/…
您描述的行为实际上是不可能的除非您的 XML 状态为 encoding="UTF-8" 而实际上不是，或者您提供给它的其他组件忽略了 XML声明并尝试将其解析为遗留编码（非常不可能）。我敢打赌第一种情况：您使用错误的编码创建 XML。更正声明以匹配您的文件编码，或将您的文件编码更正为 UTF-8。 为了说明这里的情况，我们需要来自受影响文件的十六进制 sn-p。
在此处查看另一篇相关帖子stackoverflow.com/questions/499010/…。
这是可能的，因为这些文件来自不同的客户，他们正在生成我们期望格式的 XML 文件，但可能只是放置 XML 标头而不考虑他们放入的数据。我们不确定是什么这些客户可能正在使用的工具和技术。
@MartinFrank 我不确定所有字符都会造成问题，因此最好确保该文件没有特殊字符。我只是在大声思考有没有办法针对所有非 ascii 字符验证文件？

标签： java xml utf-8 character-encoding jaxb

【解决方案1】：

如果您的客户向您发送一个带有编码与文件内容不匹配的标头的 XML 文件，您不妨放弃尝试对该文件做任何有意义的事情。 - 他们真的在发送标头与实际编码不匹配的数据吗？那不是XML。而且您应该向他们收取更多费用；-)

只需将文件作为 FileInputStream 逐字节读取。如果包含负字节值，则拒绝处理。

您可以保留 UTF-8 或 ISO 8859-1 等编码设置，因为它们都将 US-ASCII 作为真子集。

【讨论】：

【解决方案2】：

是的，我的回答和 laune 提到的一样……

static boolean readInput() {
    boolean isValid = true;
    StringBuffer buffer = new StringBuffer();
    try {
        FileInputStream fis = new FileInputStream("test.txt");
        InputStreamReader isr = new InputStreamReader(fis);
        Reader in = new BufferedReader(isr);
        int ch;
        while ((ch = in.read()) > -1) {
            buffer.append((char)ch);
            System.out.println("ch="+ch);
            //TODO - check range for each character 
            //according the wikipedia table http://en.wikipedia.org/wiki/UTF-8
            //if it's a valid utf-8 character
            //if it's not in range, the isValid=false;
            //and you can break here...
        }
        in.close();
        return isValid;
    } 
    catch (IOException e) {
        e.printStackTrace();
        return false;
    }
}

我只是添加一个代码 sn-p...

【讨论】：

我会使用grep "[^\t\r\f -~]" $file && rm $file ;-)

【解决方案3】：

您应该能够将 XML 输入包装在 java.io.Reader 中，您可以在其中指定实际编码，然后正常处理。 Java 将利用 XML 中为 InputStream 指定的编码，但当使用 Reader 时，将使用 Reader 的编码。

Unmarshaller unmarshaller = jc.createUnmarshaller();
InputStream inputStream = new FileInputStream("input.xml");
Reader reader = new InputStreamReader(inputStream, "UTF-16");
try {
    Address address = (Address) unmarshaller.unmarshal(reader);
} finally  {
    reader.close();
}

【讨论】：