在 Java 中读取以 UTF16 编码的 XML 文件

Question

我正在尝试使用 Java 读取 UTF-16 xml 文件。 该文件是用 C# 编写的。

这是java代码：

import java.io.File;

import javax.xml.parsers.DocumentBuilder;
import javax.xml.parsers.DocumentBuilderFactory;

import org.w3c.dom.Document;
import org.w3c.dom.Element;
import org.w3c.dom.Node;
import org.w3c.dom.NodeList;

public class XMLReadTest
{
    public static void main(String[] s)
    {
        try
        {
            File fXmlFile = new File("C:\\my_file.xml");

            DocumentBuilderFactory dbFactory = DocumentBuilderFactory.newInstance();
            DocumentBuilder dBuilder = dbFactory.newDocumentBuilder();
            Document doc = dBuilder.parse(fXmlFile);

            doc.getDocumentElement().normalize();

            NodeList nList = doc.getElementsByTagName("row");

            for (int temp = 0; temp < nList.getLength(); temp++)
            {
                Node nNode = nList.item(temp);

                if (nNode.getNodeType() == Node.ELEMENT_NODE)
                {
                    Element eElement = (Element) nNode;

                    System.out.println("FILE_NAME: " + eElement.getElementsByTagName("FILE_NAME").item(0).getTextContent());
                }
            }
        }
        catch(Exception ex)
        {
            ex.printStackTrace();
        }
    }
}

这是 xml 文件：

<?xml version="1.0" encoding="utf-16" standalone="yes"?>
<docMetadata>
  <row>
    <FILE_NAME>Выписка_Винтовые насосы.pdf</FILE_NAME>
    <FILE_CAT>GENERAL</FILE_CAT>
  </row>
</docMetadata>

在 Eclipse 和“运行/调试”设置窗口中运行此代码时，在名为“Common”的最后一个选项卡中，选择的编码是 Default - Inherited (Cp1253)，我得到的输出是错误的：

FILE_NAME: ???????_?????????? ??????.pdf

当同一选项卡中选择的编码为 UTF-8 时，输出正常：

文件名：Выписка_Винтовые насосы.pdf

我做错了什么？

如何在 Eclipse 项目设置中使用默认编码 (cp 1253) 获得正确的输出？

此代码在我不想更改虚拟机默认编码的服务器中运行。

我已经用 Java 7 和 Java 8 测试过这段代码

Answer 1

问题与 XML 本身无关。 Java 字符串采用 UTF-16 编码，Document 将 XML 数据正确解码为 UTF-16 字符串。真正的问题是您将 Eclipse 设置为使用 cp1253（Windows-1253 希腊语，与 ISO-8859-7 希腊语略有不同）作为其控制台字符集，但您尝试输出的大多数 Unicode 字符（俄语) 根本不存在于该字符集中，因此它们被替换为?。这也解释了为什么当控制台字符集设置为 UTF-8 时输出是正确的，因为 UTF8UTF16 转换是无损的。

Answer 2

尝试在输入流中显式设置编码：

Document doc = dBuilder.parse(new InputStreamReader(new FileInputStream(fXmlFile), "UTF-16"));

Answer 3

如何在 Eclipse 项目设置中使用默认编码 (cp 1253) 获得正确的输出？

你不能。要查看正确的输出，控制台必须知道要显示的字符。

此代码在我不想更改虚拟机默认编码的服务器中运行。

您可以编写一个 UTF-8/16 日志文件，您可以在其中使用 cat 从另一个控制台或文本编辑器查看输出。

            if (nNode.getNodeType() == Node.ELEMENT_NODE)
            {
                Element eElement = (Element) nNode;
                String message = "FILE_NAME: " + eElement.getElementsByTagName("FILE_NAME").item(0).getTextContent();
                System.out.println(message);
                // output FILE_NAME to logfile.txt (quick and dirty)
                OutputStreamWriter writer = new OutputStreamWriter(new FileOutputStream(new File("logfile.txt")), "UTF-8");
                writer.write(message);
                writer.close();
            }

我在运行配置中使用 ISO-8859-1 编码在 Eclipse 中运行此代码。

Eclipse 输出：FILE_NAME: ???????_???????? ??????.pdf

日志文件输出：FILE_NAME: Выписка_Винтовые насосы.pdf

Answer 4

我使用旧的 dom4j 库来解析 xml，这导致了问题。 使用 JVM 1.7 嵌入式库解决了这个问题：

import java.io.File;
import java.io.StringReader;

import javax.xml.parsers.DocumentBuilder;
import javax.xml.parsers.DocumentBuilderFactory;

import org.w3c.dom.Document;
import org.w3c.dom.Element;
import org.w3c.dom.Node;
import org.w3c.dom.NodeList;
import org.xml.sax.InputSource;

public XMLDoc()
    {
        try
        {
            File xmlFile = new File("C:\\my_file.xml");
            DocumentBuilderFactory dbFactory = DocumentBuilderFactory.newInstance();
            DocumentBuilder dBuilder = dbFactory.newDocumentBuilder();
            Document doc = dBuilder.parse(xmlFile);
            doc.getDocumentElement().normalize();

            NodeList nList = _doc.getElementsByTagName("row");
            for (int i = 0; i < nList.getLength(); i++)
            {
                Node nNode = nList.item(i);

                if (nNode.getNodeType() == Node.ELEMENT_NODE)
                {
                    Element eElement = (Element) nNode;
                    Node itemNode = eElement.getElementsByTagName("FILE_NAME").item(0);
                    String text = itemNode != null ? itemNode.getTextContent() : "";

                    // russian text is fine here
                }
            }
        }
        catch(Exception e)
        {
            e.printStackTrace();
        }
    }