更正大型 Xml 文件中的编码答案

【问题标题】：Correcting Encoding in a large Xml File更正大型 Xml 文件中的编码
【发布时间】：2010-12-15 19:35:14
【问题描述】：

我正在从包含此类内容的 XML 文件中导入数据：

<FirstName>™MšR</FirstName><MiddleName/><LastName>HšNER™Z</LastName>

XML 是通过以下方式加载的：

 XmlDocument doc = new XmlDocument();

 try
 {
      doc.Load(fullFilePath);
 }

当我使用顶部包含的数据执行此代码时，我得到一个关于非法字符的异常。我理解那部分就好了。

我不确定这是哪种编码或如何解决此问题。有没有办法可以更改 XmlDocument 的编码或其他方法以确保正确解析上述内容？

更新：我在本文档中没有任何编码声明或<?xml。

我看到一些链接说要动态添加它？这是UTF-16编码吗？

【问题讨论】：

标签： c# encoding character-encoding xml-parsing

【解决方案1】：

看来：

名字是ÖMÜR HÜNERÖZ（或者可能是ÔMÜR HÜNERÔZ或ÕMÜR HÜNERÕZ；我不知道那是什么语言）。
XML 文件是使用 DOS“OEM”代码页编码的，可能是 437 或 850。
但它是使用 windows-1252（“ANSI”代码页）解码的。

【讨论】：

好收获！我只看了 125x 的代码页——完全忘记了 DOS 的代码页……我会在回复中添加更多信息。

【解决方案2】：

如果您使用十六进制编辑器（例如HXD 或 Visual Studio）查看文件，您会看到什么？

您发布的字符串中的每个字符是否由单个字节表示？文件是否有字节顺序标记（文件开头的一堆不可打印的字节）？

™ 和 š 似乎表明编码/转换过程中出现了很大的问题，但让我们看看...我猜它们都对应一个元音 (O-M-A-R H-A-NER-O-Z，也许吧？），但我还没弄清楚他们最终的样子像这样……

编辑：dan04 一针见血。 cp-1252 中的 ™ 具有十六进制值 99，š 是 9a。在cp-437和cp-850中，十六进制99代表Ö，9a代表Ü。

解决方法很简单：只需在打开 XML 文件时指定此编码：

XmlDocument doc = new XmlDocument();

using (var reader = new StreamReader(fileName, Encoding.GetEncoding(437)))
{
   doc.Load(reader);
}

【讨论】：

【解决方案3】：

来自here：

Encoding encoding;
using (var stream = new MemoryStream(bytes))
{
    using (var xmlreader = new XmlTextReader(stream))
    {
        xmlreader.MoveToContent();
        encoding = xmlreader.Encoding;
    }
}

你可能想看看这个：How to best detect encoding in XML file?

对于实际阅读，您可以使用StreamReader 来处理BOM（字节顺序标记）：

string xml;

using (var reader = new StreamReader("FilePath", true))
{                                   //            ↑ 
    xml= reader.ReadToEnd();       //        detectEncodingFromByteOrderMarks
}

编辑：删除了编码参数。如果文件包含 BOM，StreamReader 将检测文件的编码。如果不是，它将默认为 UTF8。

编辑 2：Detecting Text Encoding for StreamReader

【讨论】：

【解决方案4】：

很明显，您提供了 XML 文档的片段，因为它缺少根元素，所以我假设这是您的意图。顶部有没有像<?xml version="1.0" encoding="UTF-8" ?>这样的xml处理指令？

【讨论】：