处理文本中“特定”字符的问题（在 Java 中，使用 XML 解析器）答案

【问题标题】：Problem with processing "specific" characters in text (in Java, using XML parser)处理文本中“特定”字符的问题（在 Java 中，使用 XML 解析器）
【发布时间】：2009-05-16 10:54:38
【问题描述】：

在使用 Java 中的 DOM API 处理文本中的“特定”字符时遇到问题。文件为 XML 格式。我在上一篇文章中被告知 XML 中的 & 符号是什么情况（以及其他几个字符，例如）。这是帖子： Special characters in XML files - processing with the DOM API

但是，我可以如何处理数据中的其他特殊字符，例如德语和法语中的特定字母？例如，我在 XML 文档的文本元素中有单词“façade”。但是，字母“ç”的位置看起来已损坏：当我在 linux 中使用 vim 编辑器打开文件时，它看起来像：“fa^Zade”，当我使用另一个编辑器将其作为 .txt 或 .xml 文件打开时， “ç”的位置看起来像一个小的空矩形（或空白空间）。德语变音符号和其他语言的其他“特殊”符号也是如此。当我尝试使用 XML 解析器处理文件时，它们会出现问题（我遇到解析错误）。我想这是一些编码问题。在 XML 文件的标题中，我使用的是 encoding="UTF-8"。我试图改变它（即“Unicode”或其他），但它没有帮助。

我怎样才能让这些特殊字符被识别？我应该使用一些特殊的编码吗？如果它们只是两个或三个字符，我肯定知道，我可以在使用 Java 中的 DOM API 处理之前替换它们，就像我使用与符号 (&) 符号所做的那样（我已将 & 转换为 &amp;），但是，它们很多，并且可能是任何“特殊”符号。问题是否来自数据的保存方式？例如，在保存过程中应该使用特殊编码 (?)，以便现在可以识别字符 (?)。（我自己没有保存数据）。
谢谢。

【问题讨论】：

标签： xml encoding

【解决方案1】：

如果它们只是两个或三个字符，我肯定知道，我可以在使用 Java 中的 DOM API 进行处理之前替换它们，就像我使用与号 (&) 符号所做的那样（我已将 & 转换为 & )，但是，它们很多，并且可能是任何“特殊”符号。

您无需预测所有可能的输入。相反，只需将每个此类实体转换为 NCR 或数字字符引用。例如，&#x20AC; 是欧元符号 € 的 NCR；这意味着20AC 是欧元符号的十六进制 Unicode 引用。

【讨论】：

谢谢，我可以为符号这样做，我知道它们是什么：即，如果我认识到在这个地方使用了德国或法国字母或欧元符号。然而，我正在处理的文本是由不同的人（来自不同的国家）写的，即使他们用英语写，他们也经常包含他们语言的一些词。或者只是一些由非英语字符组成的国际词汇。从这个意义上说，我可以期待一切，我想看看是否有某种方法可以普遍识别这些字符。
嗯——我想你可能误解了我的意思，因为我认为这种方法符合你的描述。将您的输入视为字符流。您所要做的就是检查每个字符并确定它是否“特殊”。例如，一种方法是将十六进制值大于 0xFF 的每个 Unicode 字符视为特殊字符，并将其编码为 NCR。

【解决方案2】：

这似乎不是 XML 的问题，而是编码问题。 XML 可以处理 UTF-8 和 Latin-1。但是您需要知道输入编码，或者不使用阅读器，而是使用带有 XML 声明的输入流，使用正确的编码属性。

您确定源没有损坏吗？它是哪种编码？第一行声明的 XML 编码属性对吗？ ^Z 看起来不像 UTF-8 编码！

【讨论】：

【解决方案3】：

encoding="UTF-8" 似乎是正确的方法，那么您不必区别对待这些字符中的任何一个。你说'在 XML 文件的标题中我使用的是 encoding="UTF-8"'，但你是否也将字符数据写为 UTF-8？

在vim中你可以使用“ga”来显示光标下字符的代码，这应该有助于调试。

【讨论】：