问题描述
在使用dom4j的时候发现有时会出现这样一个问题:
无法以UTF-8编码格式成功保存xml文件,
具体表现为保存后中文呈现乱码(如果没有乱码,说明保存前的编码没有设置成功,保存成了本地的gbk或者gb2312格式),
再次读取的时候会报类似如下的错误:
2013-01-06 19:22:04,400 [main] ERROR com.ucan.hk.data.video.VideoBase:119 -
org.dom4j.DocumentException: Invalid byte 2 of 2-byte UTF-8 sequence. Nested exception: Invalid byte 2 of 2-byte UTF-8 sequence.
at org.dom4j.io.SAXReader.read(SAXReader.java:353) ~[dom4j-1.5.1.zip:1.5.1]
at org.dom4j.io.SAXReader.read(SAXReader.java:254) ~[dom4j-1.5.1.zip:1.5.1]
at com.ucan.hk.data.video.VideoBase.addToXml(VideoBase.java:102) ~[ucan.jar:na]
at com.ucan.hk.data.video.VideoBaseList.setAt(VideoBaseList.java:43) [ucan.jar:na]
at com.ucan.hk.conf.VideoXML.startElement(VideoXML.java:20) [ucan.jar:na]
at com.sun.org.apache.xerces.internal.parsers.AbstractSAXParser.startElement(Unknown Source) [na:1.6.0_38]
at com.sun.org.apache.xerces.internal.parsers.AbstractXMLDocumentParser.emptyElement(Unknown Source) [na:1.6.0_38]
at com.sun.org.apache.xerces.internal.impl.XMLDocumentFragmentScannerImpl.scanStartElement(Unknown Source) [na:1.6.0_38]
at com.sun.org.apache.xerces.internal.impl.XMLDocumentFragmentScannerImpl$FragmentContentDriver.next(Unknown Source) [na:1.6.0_38]
在dom4j的范例中新建一个xml文档的代码如下:
// 输出XML文档
try
{
XMLWriter output = new XMLWriter(new FileWriter(new File("data/catalog.xml")));
output.write(document);
output.close();
} catch (IOException e) {
System.out.println(e.getMessage());
}
错误原因分析
在上面的代码中输出使用的是FileWriter对象进行文件的输出。
这就是不能正确进行文件编码的原因所在,Java中由Writer类继承下来的子类没有提供编码格式处理,
所以dom4j也就无法对输出的文件进行正确的格式处理。
这时候所保存的文件会以系统的默认编码对文件进行保存,在中文版的window下Java的默认的编码为GBK,
也就是说虽然我们标识了要将xml保存为utf-8格式,但实际上文件是以GBK格式来保存的,
所以这也就是为什么我们使用GBK、GB2312编码来生成xml文件能正确的被解析,
而以UTF-8格式生成的文件不能被xml解析器所解析的原因。
如何解决问题?
首先我们看看dom4j是如何实现编码处理的,如下所示:
public XMLWriter(OutputStream out) throws UnsupportedEncodingException {
//System.out.println("In OutputStream");
this.format =DEFAULT_FORMAT;
this.writer = createWriter(out,format.getEncoding());
this.autoFlush =true;
namespaceStack.push(Namespace.NO_NAMESPACE);
}
public XMLWriter(OutputStream out, OutputFormat format)throws UnsupportedEncodingException {
//System.out.println("In OutputStream,OutputFormat");
this.format = format;
this.writer = createWriter(out, format.getEncoding());
this.autoFlush =true;
namespaceStack.push(Namespace.NO_NAMESPACE);
}
/**
* Get an OutputStreamWriter, use preferred encoding.
*/
protected Writer createWriter(OutputStream outStream, String
encoding) throws UnsupportedEncodingException {
return new BufferedWriter(
new OutputStreamWriter( outStream, encoding )
);
}
由上面的代码我们可以看出dom4j对编码并没有进行什么很复杂的处理,完全通过 Java本身的功能来完成。
所以我们在使用dom4j生成xml文件时不应该直接在构建XMLWriter时,为其赋一个Writer对象,
而应该通过一个OutputStream的子类对象来构建。
也就是说在我们上面的代码中,不应该用FileWriter对象来构建xml文档,而应该使用FileOutputStream对象来构建,
修改后的代码如下:
// 输出XML文档
try
{
OutputFormat format = new OutputFormat(" ", true, "UTF-8");
XMLWriter output = new XMLWriter(new FileOutputStream(filename), outFmt);
output.write(document);
output.close();
} catch (IOException e) {
System.out.println(e.getMessage());
}
如何读取呢?
public List extractXMLText(File inputXml, String node) {
List texts = null;
try
{
// 使用SAXReader解析XML文档,SAXReader包含在org.dom4j.io包中。
// inputXml是由xml文件创建的java.io.File。
SAXReader saxReader = new SAXReader();
saxReader.setEncoding("UTF-8");
Document document = saxReader.read(inputXml);
texts = document.selectNodes(node); // 获取sentence列表
} catch (DocumentException e) {
System.out.println(e.getMessage());
}
return texts;
}