char 编码集相关的 XML 解析错误答案

【问题标题】：XML parsing error related to char encoding setchar 编码集相关的 XML 解析错误
【发布时间】：2013-02-15 00:17:12
【问题描述】：

我有一个有效的 XML 文件（有效原因浏览器可以解析它），我尝试使用 JDOM2 解析它。该代码对其他 xml 文件运行良好，但对于这个特定的 xml 文件，它在 builder.build() 行上给了我以下异常：“com.sun.org.apache.xerces.internal.impl.io.MalformedByteSequenceException: Invalid byte 3 个 3 字节的 UTF-8 序列。"

我的代码如下

    import java.io.*;
    import java.util.*;
    import java.net.*;
    import org.jdom2.*;
    import org.jdom2.input.*;
    import org.jdom2.output.*;
    import org.jdom2.adapters.*;

    public class Test
    {
        public static void main(String st[])
        {
            String results="N.A.";
            SAXBuilder builder = new SAXBuilder();
            Document doc;
            results = scrapeSite().trim();

                    try
                    {
                        doc = builder.build(new ByteArrayInputStream(results.getBytes()));
                    }
                    catch(JDOMException e)
                    {
                        System.out.println(e.toString());
                    }
                    catch(IOException e)
                    {
                        System.out.println(e.toString());
                    }
        }


        public static String scrapeSite()
        {
            String temp="";
            try
            {
                URL url = new URL("http://msu-footprints.org/2011/Aditya/search_5.xml");
                URLConnection conn = url.openConnection();
                conn.setAllowUserInteraction(false);
                InputStream urlStream = url.openStream();
                BufferedReader br = new BufferedReader(new InputStreamReader(urlStream));

                String t = br.readLine();
                while(t!=null)
                {
                    temp = temp + t;
                    t = br.readLine();
                }
            }
            catch(IOException e)
            {
                System.out.println(e.toString());
            }

            return temp;
        }
    }

【问题讨论】：

标签： java character-encoding xml-parsing jdom-2

【解决方案1】：

你为什么要用 Reader 将 xml 读入字符串？在解析它之前，您正在破坏 xml。将 xml 视为字节，而不是字符。

您为什么要阅读整个 URL InputStream 只是为了将其转换为另一个 ByteArrayInputStream？通过将 URL InputStream 直接传递给构建器，您可以将其减少到大约 2 行代码。（更不用说避免因将整个流读入内存而引起的额外内存问题）。

【讨论】：

没错……我的流被破坏了……谢谢伙计！！

【解决方案2】：

正如 jtahlborn 所指出的，您应该始终将 XML 视为字节，让解析器进行编码。

但更重要的是，你永远不应该使用 String.getBytes() 来获取字符串的字节：你不会得到你认为的那样。

在这种情况下，您可以只获取站点的字节，但即使您在字符串中构造 XML，然后将其作为字节序列传递给解析器（或者，更有可能将字节写入文件），您可能希望指定编码，使其与 XML 所说的编码相匹配，默认情况下为 UTF-8：

byte[] bytes = myString.getBytes("UTF-8");

同样，如果由于某种原因需要使用 Writer 或 Reader，则必须指定要写入或读取的编码。

如果需要构造XML，一个好办法是使用XMLStreamWriter类：

ByteArrayOutputStream outStream = new ByteArrayOutputStream();
XMLStreamWriter writer = 
   XMLOutputFactory.newInstance().createXMLStreamWriter(outStream);

【讨论】：