SAX 处理特殊字符

Question

我正在尝试使用 Java 和 SAX 为 Android 设备解析 XML 文件。我从互联网上得到，在解析它时，我得到了一个 ExpatException：字符“é”上的格式不正确（无效标记）。 有没有办法处理这些字符而无需更改 xml 文件中的所有特殊字符？

编辑： 这是我将文件写入 SD 卡的部分代码。

File SDCardRoot = Environment.getExternalStorageDirectory();
            File f = new File(SDCardRoot,"edt.xml");
            f.createNewFile();
            FileOutputStream fileOutput = new FileOutputStream(f);
            InputStream inputStream = urlConnection.getInputStream();


            byte[] buffer = new byte[1024];
            int bufferLength = 0;
            while ( (bufferLength = inputStream.read(buffer)) > 0 ) {
                fileOutput.write(buffer, 0, bufferLength);
            }

            fileOutput.close();

这是我的 xml 的一部分：

<?xml version="1.0" encoding="iso-8859-1"?>
<?xml-stylesheet type="text/xsl" href="ttss.xsl"?>

<timetable>
<option combined="0" totalweeks="0" showemptydays="0" dayclass="reverse">
<link href="g56065.xml" class="xml">Imprimer</link>
<link href="g56065.pdf" class="pdf">Version PDF</link>
<weeks>Semaines</weeks>
<dates>Dates</dates>
<week>Semaine</week>
<date>Date</date>
<all>Toutes les semaines</all>
<notes>Remarques</notes>
<id>ID</id>
<tag>Champs Libre</tag>
<footer>Publié le 10/09/2011 22:14:28</footer>
... </timetable>

这里是解析代码：

public class ParserSemaines extends DefaultHandler {
    private final String SEMAINE = "span";
    private final String DESCRIPTION = "description";
    private ArrayList<Semaine> semaines;
    private boolean inSemaine;
    private Semaine currentSemaine;
    private StringBuffer buffer;
    @Override
    public void processingInstruction(String target, String data) throws SAXException {
        super.processingInstruction(target, data);
    }
    public ParserSemaines() {
        super();
    }

    @Override
    public void startDocument() throws SAXException {
        super.startDocument();
        semaines = new ArrayList<Semaine>();
    }

    @Override
    public void startElement(String uri, String localName, String name, Attributes attributes) throws SAXException {
        buffer = new StringBuffer();
        if (localName.equalsIgnoreCase(SEMAINE)){
            this.currentSemaine = new Semaine();
            this.currentSemaine.setDate(attributes.getValue("date"));
            this.inSemaine = true;
        }
        if(localName.equalsIgnoreCase(DESCRIPTION)){
            this.currentSemaine.setDescription(buffer.toString());
        }
    }

    @Override
    public void endElement(String uri, String localName, String name) throws SAXException {
        if (localName.equalsIgnoreCase(SEMAINE)){
            this.semaines.add(currentSemaine);
            this.inSemaine = false;
        }
    }

    public void characters(char[] ch,int start, int length) throws SAXException{
        String lecture = new String(ch,start,length);
        if(buffer != null) buffer.append(lecture);
    }

    public ArrayList<Semaine> getData(){
        return semaines;
    }
}

这是我用来调用解析器的代码：

SAXParserFactory fabrique = SAXParserFactory.newInstance();
        SAXParser parseur = null;
        ArrayList<Semaine> semaines = null;
        try {
            parseur = fabrique.newSAXParser();
            DefaultHandler handler = new ParserSemaines();
            File f = new File(Environment.getExternalStorageDirectory(),"edt.xml");
            parseur.parse(f, handler);  
            semaines = ((ParserSemaines) handler).getData();
        }

询问是否需要任何其他代码部分。

检查后，SD 卡中的 xml 文件似乎将“é”显示为“�”。 这应该是问题，但我不知道为什么。 我也尝试使用 URI 进行解析，但它并没有改变任何东西，我总是遇到同样的异常。

Answer 1

我终于找到了解决办法。 我没有使用 SAXparder，而是使用

android.util.Xml.parse(InputStream,Xml.Encoding.ISO_8859_1, DefaultHandler);

感谢大家为我提供的所有帮助。

Answer 2

检查后，SD卡中的xml文件显示“é”为“�”。

这确实表明存在编码问题。

您发布的代码似乎是从 URL 到文件的正确逐字节副本，因此该文件应该准确地代表您从 URL 获得的内容。这意味着来自服务器的响应可能不在 ISO-8859-1 中。

我的下一步是使用Fiddler 之类的工具来检查整个回复，特别注意：

• Content-Type 标头。如果它告诉您不同的字符集，您必须将该信息传递给解析器和/或手动转换它。
• 返回的实际字节数。就您所知，both Content-Type 和 XML 序言都可能在撒谎。如果文件是真正的 ISO-8859-1，那么重音 e 的字节值应该是 0xE9。如果内容实际上是 UTF-8，则应该有两字节序列 0xC3 0xA9（参见here）。您正在显示一个三字节序列，这没有意义。但最好查一下来源。

另外，在将文件传递给 SAX 解析器之前，请确认您没有将文件转换为字符串。

---

供参考：我编写了一个连接到 OP 的 URL 并将该连接直接传递给最小 SAX 解析器的最小程序。它似乎运行没有错误。我还使用了 DOM 解析器，并验证了至少根元素已被正确解析。

public static void main(String[] argv)
throws Exception
{
   URL url = new URL("http://www.disvu.u-bordeaux1.fr/et/edt_etudiants2/Master/Semestre1/g56065.xml");
   InputStream in = url.openConnection().getInputStream();

   SAXParserFactory spf = SAXParserFactory.newInstance();
   SAXParser parser = spf.newSAXParser();
   parser.parse(in, new DefaultHandler());
   System.out.println("parse successful");
}

Answer 3

可能是编码问题。尝试将其更改为ISO-8859-1。

在你的 xml 中尝试：

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

或者，在您的代码中，使用：

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