java - 解析 XML 文档中的非 ASCII 字符

Question

我正在尝试使用 SAX 解析器解析此 XML 文档:

<?xml version="1.0" encoding="ISO-8859-1"?>
<!DOCTYPE WIN_TPBOUND_MESSAGES SYSTEM "tpbound_messages_v1.dtd">
<WIN_TPBOUND_MESSAGES>
    <SMSTOTP>
        <SOURCE_ADDR>+447522579247</SOURCE_ADDR>
        <TEXT>TEST: @£$¥èéùìò?ØøÅå&amp; ^{}\\[~]¡&#8364;ÆæßÉ!\"#¤%'()*+,-./0123456789:;&lt;=&gt;? ÄÖÑܧ¿äöñüà end</TEXT>
        <WINTRANSACTIONID>652193268</WINTRANSACTIONID>
    </SMSTOTP>
</WIN_TPBOUND_MESSAGES>

解析<TEXT>元素后，内容转换为:

TEST: @£$¥èéùìò?Ã�øÃ�Ã¥& ^{}\\[~]¡€Ã�æÃ�Ã�!\"#¤%'()*+,-./0123456789:;<=>? Ã�Ã�Ã�Ã�§¿äöñüà end

很明显，非 ASCII 字符发生了一些不好的事情。解析 XML 的代码如下所示:

public void parse(InputStream xmlStream) throws WinGatewayException {
    XMLReader parser = XMLReaderFactory.createXMLReader("org.apache.xerces.parsers.SAXParser");
    parser.setContentHandler(this);
    parser.setErrorHandler(error);
    parser.setEntityResolver(new DTDResolver());
    parser.setDTDHandler(this);
    parser.setFeature("http://xml.org/sax/features/validation", true);
    parser.setFeature("http://apache.org/xml/features/validation/schema", true);
    parser.setFeature("http://apache.org/xml/features/nonvalidating/load-dtd-grammar", true);
    parser.setFeature("http://xml.org/sax/features/namespace-prefixes", true);
    parser.setFeature("http://apache.org/xml/features/continue-after-fatal-error", false);
    parser.parse(new InputSource(xmlStream));
}

并且this引用的对象有如下方法:

public void endElement(String uri, String localName, String qName)
        throws SAXException {

        if (localName.equals("TEXT")) {   
            logger.debug("Parsed message text: " + cData.toString());
            message.setText(cData.toString());
        }
}

为什么 XML 解析器不保留这些非 ASCII 字符？

Answer 1

我相信您的 XML 文件实际上是 UTF-8 而不是 ISO-8859-1。

ISO-8859-1 编码文件的每个字符只有一个字节，因此英磅符号将是一个字节 0xA3。但是，看起来您的文件有 0xC2 0xA3，这是您在 UTF-8 中为 U+00A3 获得的字节序列。

更改 XML 声明以反射(reflect)这一点:

<?xml version="1.0" encoding="UTF-8"?>

看看是否能解决问题。假设确实如此，那么您需要找出产生这些不良数据的原因。