无法使用 jdom 解析器解析包含 utf8 0xc2 0x85 字符的字符串答案

【问题标题】：Not able to parse a string that contains utf8 0xc2 0x85 characters using jdom parser无法使用 jdom 解析器解析包含 utf8 0xc2 0x85 字符的字符串
【发布时间】：2013-05-10 05:20:24
【问题描述】：

我有一个包含 0xc2 0x85 个字符的 utf-8 字符串。 Eclipse 将其视为空白。某些应用程序将其视为“...”。

由于字符串是 xml，我使用的是 jdom 解析器，但 jdom 解析器失败并给出以下异常。

org.jdom.input.JDOMParseException：第 1 行错误：prolog 中不允许内容。在 org.jdom.input.SAXBuilder.build(SAXBuilder.java:381) 在 org.jdom.input.SAXBuilder.build(SAXBuilder.java:764)

知道为什么 jdom 解析器不将其视为空格吗？我还能做些什么来让解析器成功验证 xml？ xml 字符串中的所有其他元素似乎都很好。

【问题讨论】：

0xc2 0x85 是 Unicode 字符 U+0085（下一行）的 utf-8。 fileformat.info/info/unicode/char/85/index.htm
U+85 在 XML 中有效，是“下一行”(NEL) 控制代码，用作空格。但是，它很少使用并且在其他格式中无效，例如 HTML。包含它是为了与旧的 IBM 格式兼容。我不建议使用它。它也很容易与省略号的 CP-1252 字符混淆，其原始值为 0x85，但在 Unicode 中应表示为 U+2026。某些软件（例如浏览器）可能会遇到它，假设它的 CP-1252 编码不正确并且（错误地）显示省略号。

标签： jdom

【解决方案1】：

空白在 XML 中具有非常特殊的含义。在 XML 中的根元素之外，您可以使用的唯一字符是 (#x20 | #x9 | #xD | #xA)+（空格、回车、换行符和制表符）。

XML 中的 prolog 区域允许包含limited structures 和空格。

您显示的字符在根元素之外的有效 XML 中是不允许的。对不起。

【讨论】：

【解决方案2】：

JDOM（实际上是 SAX 解析器）解析该字符没有任何问题。你得到的异常总是由 xml prolog 之前的非法字符引起的：

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

可能在此之前您有“隐形”字符，但它们仍然存在。

【讨论】：

这些字符在 xml 序言之前不存在。但是，它位于 xml prolog 和根元素之间。我不确定这些字符是否应该成为序言或内容的一部分。看起来 jdom 将这些字符视为序言的一部分。根据 xml 规范，什么是正确的？
序言是根元素之前的所有内容...w3.org/TR/2004/REC-xml11-20040204/#NT-document 这不是 JDOM 是“困难的”，而是它（与任何支持库一起）确保您拥有有效的 XML
是的，我应该说“在 xml 序言之前或之中”。