c# - 读取 XML 时出现奇怪的 UTF-8 编码问题，在 C# 中写入结果

Question

我在使用一个简单的 C# 程序时遇到问题，该程序旨在从 Web 读取 XML 文档，提取一些元素，然后将这些元素的内容写入 HTML 文件(在一个简单的表格中)。尽管 XML 文档被正确编码为 UTF-8，但最终，我生成的所有 HTML 文件都无法正确转录非西方英语字符(例如，解析日语时类似“Wingdings”的输出)。

由于 XML 文件非常大，该程序的工作方式是让 XmlReader 在遇到匹配元素时生成匹配元素，然后使用 StreamWriter 将这些元素写入 HTML 文件。

有没有人知道在像这样的程序中，UTF-8 编码可能必须明确强制的什么地方？

Answer 1

简短说明

我在这里猜测:您的浏览器正在使用错误的字符编码显示页面。

您需要回答:您的浏览器认为 HTML 是什么字符编码？ (我打赌它不是 UTF-8。)

尝试调整您的浏览器:例如，在 Firefox 中，这是查看 → 字符编码，然后选择与您的文档匹配的字符编码。

因为你似乎有一个非常多语言的文档，让你的 C# 输出为 UTF-8 - 它支持人类已知的每个字符，包括日语、中文、拉丁语等。然后尝试告诉 Firefox、IE 等，以使用UTF-8。您的文档应该会显示。

如果这是问题所在，您需要将文档的编码告知浏览器。通过 ( see this ) 这样做:

• 让您的网络服务器返回 HTTP header 中的字符编码。
• 在 <meta> 中指定字符编码标签。
• 在 XHTML 的 XML 序言中指定字符编码。

你做的越多越好。

---

详细解释

让我们来看看您提到的几件事:

using (StreamWriter sw = new StreamWriter(outputFile,true,System.Text.Encoding.UTF8))

和

found that using Text.Encoding.Default made other Western character sets with accents work (Spanish accents, German umlauts), although Japanese still exhibits problems.

我要冒险说你是美国计算机用户。因此，对于您来说，Windows 上的“默认”编码可能是 Windows-1252。如果 Web 浏览器无法检测到 HTML 文档上的编码，则它使用的默认编码是 ISO-8859-1。 ISO-8859-1 和 Windows-1252 非常相似，它们都显示 ASCII 加上一些常见的拉丁字符，如 é、è 等。更重要的是，重音字符的编码相同，所以，对于这些字符，两种编码都将解码相同的数据。因此，当您切换到“默认”时，浏览器会正确解码您的拉丁字符，尽管编码错误。日语在 ISO-8859-1 或 Windows-1252 中都不存在，这两者都会导致日语只是作为随机字符出现。 (“莫吉贝克”)

您注意到切换到“默认”修复了一些带重音的拉丁字符这一事实告诉我您的浏览器正在使用 ISO-8859-1，这不是我们想要的:我们想使用 UTF 对文本进行编码-8，我们需要浏览器这样读回它。请参阅有关如何执行此操作的简短说明。