使用 Java 将 XML 文档从 Latin1 转换为 UTF8

Question

我正在尝试创建一个 XML 文档（RSS 提要），并且已经解决了其中的所有问题，除了一个字符编码问题。问题是我使用像<?xml version="1.0" encoding="UTF-8"?> 这样的UTF-8 编码，除了文档本身没有编码为UTF-8。

我正在使用 org.apache.ecs.xml 包来创建所有标签。然后我使用doc.output(stream) 来编写内容。这种方法似乎没有使用 UTF-8 写入输出，我不知道如何实现。在我这样做之前，大多数读者都无法正确呈现一些符号（我首先注意到的是英镑）。

--更新了更多信息--

我最终使用了一个糟糕的解决方案（如 cmets 中所述）来解决此问题。正确的答案似乎是不要使用 org.apache.ecs.xml 库。谢谢大家的帮助。 StackOverflow 再次获胜。

Answer 1

最简单的解决方法可能是更改您的代码，如下所示：

XMLDocument doc = new XMLDocument(1.0,false,Charset.defaultCharset().toString());

我猜他们只是使用默认编码将字符写入流。因此，将默认编码传递给序言就可以了。

我同意其他海报的观点，这可能是您最不担心的问题。查看 ECS 的 source repository，它似乎已经四年没有更新（“ECS2”存储库也是如此）。

还有一些自我推销：如果您希望使用简单的界面构建 XML 文档，Practical XML 库有一个构建器。它使用标准的JDK序列化机制进行输出。

Answer 2

您可以写入 Writer 而不是 OutputStream...这样您就可以指定编码。

Answer 3

这是我的同事提出的解决方案，我认为这是正确的方法，但我知道什么。我们没有使用doc.output(stream)，而是使用：

尝试{
            IOUtils.write(doc.toString(), 流, "UTF-8");
        } 捕捉（IOException e）{
            抛出新的 RuntimeException(e);
        }

说实话，我还没有完全理解这个问题，这就是为什么我首先遇到问题。似乎@subtenante 的解决方案通过并转换了 UTF-8 无法表示的任何字符并将其替换为 unicode 实体。该解决方案似乎使用 UTF-8 编码写入流，就像我最初想要 doc.output 一样。我不知道确切的区别，只是两者都解决了我的问题。任何进一步帮助我理解问题的 cmet 将不胜感激。

Answer 4

我不熟悉这个包，但从网络上的来源我怀疑它可能被破坏了：

http://kickjava.com/src/org/apache/ecs/xml/XMLDocument.java.htm

包含类似的东西

        for (int i=0; i<prolog.size(); i++) {
268             ConcreteElement e = (ConcreteElement)prolog.elementAt(i);
269             e.output(out);
270             // XXX really this should use line separator!
271 // XXX should also probably check for pretty print
272 // XXX also probably have difficulties with encoding

这表明存在问题。

我们使用 XOM (http://www.xom.nu)，并且它的 Serializer 上有一个 setEncoding()，所以我建议更改软件包...

Answer 5

这是我编写的一个函数，用于将所有非 ASCII 字符转换为其对应的实体。可能会帮助您在输出前清理一些 PCDATA 内容。

/**
 * Creates xml entities for non ascii characters in the given String.
 */
public static String xmlEntitify(String in){

    StringBuffer b = new StringBuffer();

    for (int i=0;i<in.length();i++){

        Character c = in.charAt(i);
        if (c<128){
            b.append(c);
        }
        else if (c=='\ufeff'){
            // BOM character, just remove it
        }
        else {
            String cstr = Integer.toHexString(c).toUpperCase();
            while(cstr.length()<4){
                cstr="0"+cstr;
            }
            b.append("&#x");
            b.append(cstr);
            b.append(";");
        }
    }
    return b.toString();
}

将您的输入流读入String content，并写入输出流xmlEntitify(content)。

保证您的输出只包含 ASCII 字符，不再有编码问题。

更新

考虑到 cmets，我会更加大胆：如果您不清理数据，您就是在找麻烦。我猜您至少已经替换了 PCDATA 中的 < 和 & 字符。如果没有，你绝对应该。我有上述方法的另一个版本，而不是第一个 if，有：

if (c<128 && c!='&' && c!='<' && c!='>' &&  c!='"'){
    b.append(c);
}

这样这些字符也被转换为它们对应的 Unicode 实体。 这会将我所有的 PCDATA 转换为对 unicode 友好的纯 ASCII 字符串。因为我使用了这种技术，所以我没有更多的编码问题。我从不输出尚未通过此方法传递的 XML PCDATA：这不是在地毯下扫除大象。它只是通过尽可能通用来解决问题。