如何让 SAX 解析器从 xml 声明中确定编码？

Posted 2023-02-16

【中文标题】如何让 SAX 解析器从 xml 声明中确定编码？

【英文标题】：Howto let the SAX parser determine the encoding from the xml declaration?

【发布时间】：2011-03-29 18:58:47

【问题描述】：

我正在尝试解析来自不同来源的 xml 文件（对此我几乎无法控制）。它们中的大多数都以 UTF-8 编码，使用以下 sn-p 不会导致任何问题：

SAXParserFactory factory = SAXParserFactory.newInstance();
SAXParser parser = factory.newSAXParser();
FeedHandler handler = new FeedHandler();
InputSource is = new InputSource(getInputStream());
parser.parse(is, handler);

由于 SAX 默认为 UTF-8，这很好。然而，一些文件声明：

<?xml version="1.0" encoding="ISO-8859-1"?>

即使声明了 ISO-8859-1，SAX 仍然默认为 UTF-8。 仅当我添加：

is.setEncoding("ISO-8859-1");

SAX 会使用正确的编码吗？

如何让 SAX 自动从 xml 声明中检测正确的编码，而无需我专门设置它？我需要这个，因为我事先不知道文件的编码是什么。

提前致谢， 艾伦

【参考方案1】：

当您希望 Sax 自动检测编码时，使用 InputStream 作为 InputSource 的参数。

如果要设置特定的编码，请使用带有指定编码的Reader或setEncoding方法。

为什么？因为autodetection encoding algorithms 需要原始数据，而不是转换为字符。

主题中的问题是：如何让 SAX 解析器从 xml 声明中确定编码？我发现 Allan 对这个问题的回答具有误导性，因此我根据 Jörn Horstmann's评论和我后来的经历。

【讨论】：

是：关键点是，如果InputSource 是由InputStream 实例；如果从Reader 构造，它将不起作用（因为Reader 的意义在于它的输出是“解码后”）。即：new InputSource(getInputStream()) 是正确的。

附带说明，是否有任何库使用上述算法仅解析 XML 声明？我问是因为我不能直接使用 Sax，但我想从我的 xmls 中提取编码信息。

这应该是公认的解决方案。 InputStream 没有编码信息，因此 SAX 通过尝试从 XML 文件中读取编码属性来确定编码本身。这也适用于使用 XsltTransformer。

是否有可能获得xml序言的属性“编码”的确切内容？ Xerces 定位器不起作用。

【参考方案2】：

我自己找到了答案。

SAX 解析器在内部使用 InputSource 并来自 InputSource 文档：

SAX 解析器将使用 InputSource 对象确定如何 读取 XML 输入。如果有一个 可用的字符流，解析器 将直接读取该流， 忽略任何文本编码 在该流中找到的声明。如果 没有字符流，但是 有一个字节流，解析器 将使用该字节流，使用 InputSource 中指定的编码 否则（如果未指定编码） 自动检测字符编码 使用一种算法，例如 XML 规范。如果既不是 字符流也不是字节流 可用，解析器将尝试 打开到资源的 URI 连接 由系统标识符标识。

所以基本上你需要将一个字符流传递给解析器，以便它获取正确的编码。请参阅下面的解决方案：

SAXParserFactory factory = SAXParserFactory.newInstance();
SAXParser parser = factory.newSAXParser();
FeedHandler handler = new FeedHandler();
Reader isr = new InputStreamReader(getInputStream());
InputSource is = new InputSource();
is.setCharacterStream(isr);
parser.parse(is, handler);

【讨论】：

在不指定字符集的情况下构造 InputStreamReader 将使用您机器的默认字符集，可能是 iso-8859-1。正如您所引用的，当使用字符流时，xml 中的编码 decl 将被忽略，因此此代码仅适用于 iso-8859-1 文档。您的原始代码实际上应该可以工作，也许您可​​以将异常或您看到的确切问题添加到您的问题中。当使用字节流且未在 InputSource 上设置编码时，xml 解析器应自动检测编码，如 w3.org/TR/REC-xml/#sec-guessing 中所述。

如果我不使用“is.setCharacterStream()”，基本上我会得到一个无效的令牌异常。

这可能对你有用，但 Jörn 是对的。您引用的文档是相关且正确的。它告诉你 InputStream 的原始代码是正确的。该错误在文档本身中。如果您使用一种解决方法，例如覆盖编码或以 XML 规范以外的其他方式自动检测它，就像您使用 InputStreamReader 所做的那样，您应该记录这一事实。