如何让 SAX 解析器从 xml 声明中确定编码？

Question

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

Answer 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。

Answer 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);