如何利用Xerces C++解析包含中文字符的XML文档

Xerces-C++是目前广泛使用的XML解析器，在利用它编写XML应用以处理包含中文字符的XML文档时会出现字符编码错误，如何正确解决这个问题，对于我们开发XML的应用程序非常有用。本文给出了正确处理的方法和实现类的代码，希望能对大家有所帮助。

1.背景介绍
随着XML技术的普及应用，我国的各行各业有可能会生成大量的包含中文字符的XML文档。尽管基于Java技术的XML Parser能较好处理这些XML文档，但是，它不能解决所有的问题，原因是应用开发的复杂性，尤其在我国更为明显．我们知道，企业的许多应用系统的开发采用了C、C++、VB、Delphi、FoxPro等等语言，这些应用不可能用Java语言重新实现，那么，问题就出现了，如何让这些应用也能处理 XML文档，甚至是包含中文字符的XML文档呢？

目前有关XML Parser C＋＋语言的实现，非常著名的有Apache组织的Xerces和IBM的XML4C。Aparche的Xerces来源于IBM的XML4C，所以，它们的编程接口是一致的。二者关键的不同在于字符编码。Apache的Xerces1.6目前只支持少数的字符编码，如ASCII, UTF-8, UTF-16， UCS4, EBCDIC IBM037 和 IBM1140, ISO-8859-1 和Windows-1252。因而，采用Apache的Xerces Ｃ＋＋解析器不能处理包含中文字符的XML文档。IBM的XML4C支持多达100种字符编码，它将Xerces和International Components for Unicode (ICU)结合了起来。因而，我们可以选用XML4C作为XML的解析器。在使用XML4C之前，我们需要首先确认XML4C的bin目录是否包含在系统的Path之中，bin目录必须要有这些dll：xerces-c_1_6_0D.dll，icudt20.dll，icuuc20.dll，icuuc20d.dll。

2. 问题描述
在XML4C应用过程中，我发现调用XML4C提供的一些API并不能很好解决中文问题。如解析XML时生成DOM_Document, 并利用DOM方法得到某一DOM_Node节点时，为了获得DOM_Node的名字或值，需要调用DOM_Node类的getNodeName()或 getNodeValue()方法，并得到DOMString对象。根据API文档描述，DOMString类的transcode（）方法，返回字符串的拷贝，并依照本地代码页对此字符串进行编码处理。因而，我在解析图1的XML文档并试图获得"爱国的人们"节点的名字时，transcode方法返回不完整的节点名"爱国"，而不是完整的"爱国的人们"，这样，我们就无法利用这些信息来进行字符串比较等等操作，XML的处理就会出现问题。因而， DOMString的transcode方法并不能处理XML的中文字符。

<?xml version='1.0' encoding='GB2312' ?>… … <爱国的人们> … …</爱国的人们> … …

图 1

3.解决的方法
针对这种情况，我仔细分析了XML4C提供的DOMPrint例子，此例子能顺利解析含中文字符的XML文档，并能打印出XML解析后生成的DOM_Document。它利用了Xerces的XMLFormatter和XMLFormatTarget类：

• XMLFormatter类，提供基本的格式化字符串功能，将解析器生成的基于Unicode的XML数据转换为非Unicode环境中使用的数据，如本地字符编码等；
• XMLFormatTarget类，为XMLFormatter格式化字符串提供目的地，它需要派生，并利用它的writeChars()方法得到格式化后的字符串。

 

基于以上分析，我改进了DOMPrint的例子程序，实现了一个XMLFormatTarget类的子类，代码如下：

//类定义 #include <framework/XMLFormatter.hpp> class StrFormatTarget : public XMLFormatTarget { public:  char * GetResult();     StrFormatTarget()  {};     ~StrFormatTarget () {};     void writeChars(const   XMLByte* const  toWrite,                     const   unsigned int    count,                      XMLFormatter * const formatter); private:     char * buffer;     StrFormatTarget (const StrFormatTarget & other);     void operator=(const StrFormatTarget & rhs); }; //类的实现 void StrFormatTarget::writeChars(const   XMLByte* const  toWrite,                     const   unsigned int    count,                     XMLFormatter * const formatter) {  buffer = (char *)malloc(count + 1);  memset(buffer,0,count+1);  memcpy(buffer, (char *) toWrite, count); }; char * StrFormatTarget::GetResult() {  char * ret = (char *)malloc(strlen(buffer) +1);  strcpy(ret, buffer);  ret[strlen(buffer)] = 0;  free(buffer);  return ret; }

XML文档的编码定义由文档头<?xml version='1.0' encoding='…' ?>给出，支持中文字符编码，我们选用'GB2312'。Encoding信息的获取可以有两种方式，第一，可以直接分析xml字符串，得到 encoding的值；第二，利用DOMParser解析XML文档时，设定parser能创建XMLDeclType节点，即:

DOMParser parser; ...... parser.setToCreateXMLDeclTypeNode(true).

在利用XML4C编程时，我们常遇见的类型是DOMString，XMLCh *，我们需要将这些类型的数据都转换为char *，然后，进行字符串的各种处理。我这里给出了一个类StrTransformer，专门解决有关字符编码的问题，它不仅仅支持中文字符编码，而且，可支持XML4C的其它字符编码。核心代码如下：

// header file class StrTransformer  { public:  char * ChangeStr(const DOMString& s);         char * ChangeStr(const XMLCh * str);  StrTransformer (char * encoding);  XMLFormatter * format;  StrFormatTarget * target;  ~StrTransformer();  DOMString * m_dom; }; // implement file #include "StrTransformer.h" #include <stdlib.h> #include <util/XMLString.hpp> // Construction/Destruction StrTransformer::StrTransformer(char * encoding) {     target = new StrFormatTarget();     m_dom = new DOMString(encoding);     format = new XMLFormatter(m_dom->rawBuffer(), target,     XMLFormatter::NoEscapes, XMLFormatter::UnRep_CharRef); } StrTransformer::~StrTransformer() {     delete target;     delete m_dom;     delete format; } char * StrTransformer::ChangeStr(const DOMString &s) {      unsigned int lent = s.length();      if (lent <= 0)   return NULL;     XMLCh*  buf = new XMLCh[lent + 1];     XMLString::copyNString(buf, s.rawBuffer(), lent);     buf[lent] = 0;     *format<< buf;     delete [] buf;  return target->GetResult(); } char * StrTransformer::ChangeStr(const XMLCh * str) ｛     DOMString dom(str);     return ChangeStr(dom); ｝

4 结束语
正确处理含有中文字符的XML文档，对于我们开发XML的应用程序非常有用，希望我的方法能为你提供帮助，如果有其它建议或疑问，欢迎与我联系（f_jian@sina.com）。

5 参考资料

• 下载IBM XML4C，http://www.alphaworks.ibm.com/tech/xml4c/
• International Components for Unicode (ICU)
• 查看 developerWorks XML 专区上更多 XML 参考资料。