java - 验证 "Invalid byte 1 of 1-byte UTF-8 sequence."中的 XML 文档结果

Question

我正在根据 Schematron 验证一些 XML 文件使用 Probatron4j 的样式表，它在内部使用 Saxon。大多数时候，这工作正常，但偶尔，处理会因错误而崩溃

org.xml.sax.SAXParseException: Invalid byte 1 of 1-byte UTF-8 sequence.

我的研究表明此消息通常表示(无特定顺序)

• 明显无效的数据(例如，试图将 ZIP 文件当作 XML 文件来读取)；
• 存在byte order marks ;
• 存在 UTF-8 中不合法的字符；或
• 声称是 UTF-8 编码的文件是在撒谎。

这些都不适用于我正在处理的文档。我在程序执行期间检查了字节数组形式的输入，它不包含 BOM 或任何非 ASCII 字符。

我的 30kb 文档处理了大约五分之一，然后遇到一个不起眼的英语句子(“不起眼”，我的意思是所有字节都在 32(空格)和 122(小写 z)之间；换句话说，标准键盘字符)。据称有问题的元素的字节在这篇文章的末尾。

奇怪的是，失败的文档是通过从一个更大的文档中删除一些元素而生成的，该文档被相同的代码干净利落地处理。

我知道在实现 org.xml.saxXMLReader 接口(interface)的对象的 parse(InputSource input) 方法中抛出异常。根据the Javadoc , SAXException 表示

Any SAX exception, possibly wrapping another exception.

在调试器中检查异常表明没有包装异常。

什么可能导致此错误？

编辑:

[60, 80, 97, 114, 97, 103, 114, 97, 112, 104, 62, 69, 120, 101, 99, 117, 116,
 105, 118, 101, 32, 83, 117, 109, 109, 97, 114, 121, 58, 32, 70, 114, 111, 109,
 32, 49, 55, 53, 52, 32, 116, 111, 32, 49, 55, 54, 51, 13, 10, 32, 32, 32, 32,
 32, 32, 32, 32, 32, 32, 32, 32, 69, 117, 114, 111, 112, 101, 32, 97, 110, 100,
 32, 116, 104, 101, 32, 65, 109, 101, 114, 105, 99, 97, 115, 32, 119, 101, 114,
 101, 32, 99, 97, 117, 103, 104, 116, 32, 117, 112, 32, 105, 110, 32, 97, 32, 99,
 111, 110, 102, 108, 105, 99, 116, 32, 98, 101, 116, 119, 101, 101, 110, 32, 69,
 110, 103, 108, 97, 110, 100, 44, 32, 117, 110, 100, 101, 114, 32, 75, 105, 110,
 103, 32, 71, 101, 111, 114, 103, 101, 32, 73, 73, 44, 32, 97, 110, 100, 32, 70,
 114, 97, 110, 99, 101, 44, 32, 117, 110, 100, 101, 114, 32, 75, 105, 110, 103,
 32, 76, 111, 117, 105, 115, 32, 88, 86, 46, 32, 73, 110, 32, 69, 117, 114, 111,
 112, 101, 13, 10, 32, 32, 32, 32, 32, 32, 32, 32, 32, 32, 32, 32, 116, 104, 105,
 115, 32, 112, 101, 114, 105, 111, 100, 32, 119, 97, 115, 32, 107, 110, 111, 119,
 110, 32, 97, 115, 32, 116, 104, 101, 32, 83, 101, 118, 101, 110, 32, 89, 101,
 97, 114, 115, 39, 32, 87, 97, 114, 59, 32, 105, 110, 32, 78, 111, 114, 116, 104,
 32, 65, 109, 101, 114, 105, 99, 97, 32, 105, 116, 32, 99, 97, 109, 101, 32, 116,
 111, 32, 98, 101, 32, 99, 97, 108, 108, 101, 100, 32, 116, 104, 101, 32, 70,
 114, 101, 110, 99, 104, 32, 97, 110, 100, 32, 73, 110, 100, 105, 97, 110, 32,
 87, 97, 114, 46, 32, 73, 116, 32, 119, 97, 115, 32, 97, 32, 99, 111, 110, 102,
 108, 105, 99, 116, 32, 111, 118, 101, 114, 13, 10, 32, 32, 32, 32, 32, 32, 32,
 32, 32, 32, 32, 32, 116, 114, 97, 100, 101, 32, 97, 110, 100, 32, 108, 97, 110,
 100, 46, 60, 47, 80, 97, 114, 97, 103, 114, 97, 112, 104, 62]

在 109 第三次出现后抛出异常。

Answer 1

我已经解决了这个问题。尽管 Java 在内部为其 String 对象使用 UTF-8，但 String 类的 getBytes() 方法将以系统的默认编码生成字节，除非您明确指定您需要 UTF-8(或它理解的其他编码方案)。

我不完全确定这如何或为什么解决了这个问题，因为抛出异常的位置附近的字节——问题末尾的字节——本身都是有效的 UTF-8 字节，但是它似乎确实有固定的东西。

我能想到的唯一可能的原因是我之前在文件中错过了一个无效字节，它把事情搞砸了，但没有立即导致崩溃。我正在从 ByteArrayInputStream 中读取字节，因此程序可能一次从缓冲区中读取了一大块，这将 pos 标记设置为超出的位置假设的不良字符所在的位置。