Question

我正在编辑声明中带有原始编码ASCII的xml文件。在结果文件中，我希望编码为UTF-8，以便编写像åäö这样的瑞典字符，这是我目前无法做到的。

可以在archivematica wiki找到与我的文件等效的示例文件。

我可以在this link访问我在运行程序后得到的SIP.xml文件，其中包含上述示例文件的副本。带有åäö文本的添加标签位于文档的最后。

如下面的代码所示，我尝试在变换器上设置编码，并尝试使用OutputStreamWriter来设置编码。最后，我将原始文件中的声明编辑为UTF-8，最后写出了åäö。所以问题似乎是原始文件的编码。如果我没有弄错，将声明从ASCII更改为UTF-8不会导致任何问题，问题是，如何在我的程序中执行此操作？我可以在将其解析为Document对象后执行此操作，还是在解析之前需要执行某些操作？

package provklasser;

import java.io.File;
import java.io.IOException;
import java.util.logging.Level;
import java.util.logging.Logger;
import javax.swing.JOptionPane;
import javax.xml.parsers.DocumentBuilder;
import javax.xml.parsers.DocumentBuilderFactory;
import javax.xml.parsers.ParserConfigurationException;
import javax.xml.transform.OutputKeys;
import javax.xml.transform.Transformer;
import javax.xml.transform.TransformerConfigurationException;
import javax.xml.transform.TransformerException;
import javax.xml.transform.TransformerFactory;
import javax.xml.transform.dom.DOMSource;
import javax.xml.transform.stream.StreamResult;
import org.w3c.dom.Document;
import org.w3c.dom.Element;
import org.xml.sax.SAXException;

/**
 *
 * @author 
 */
public class Provklass {

    /**
     * @param args the command line arguments
     */
    public static void main(String[] args) {
        try {
            File chosenFile = new File("myFile.xml");
            //parsing the xml file
            DocumentBuilderFactory factory = DocumentBuilderFactory.newInstance();
            factory.setNamespaceAware(true);
            DocumentBuilder builder = factory.newDocumentBuilder();
            Document metsDoc = builder.parse(chosenFile.getAbsolutePath());

            Element agent = (Element) metsDoc.getDocumentElement().appendChild(metsDoc.createElementNS("http://www.loc.gov/METS/","mets:agent"));
            agent.appendChild(metsDoc.createTextNode("åäö"));

            DOMSource source = new DOMSource(metsDoc);

            // write the content into xml file
            File newFile = new File(chosenFile.getParent(), "SIP.xml");

            TransformerFactory transformerFactory = TransformerFactory.newInstance();
            Transformer transformer = transformerFactory.newTransformer();
            transformer.setOutputProperty(OutputKeys.ENCODING, "UTF-8");

            StreamResult result = new StreamResult(newFile);

            //Writer out = new OutputStreamWriter(new FileOutputStream("SIP.xml"), "UTF-8");
            //StreamResult result = new StreamResult(out);
            transformer.transform(source, result);

        } catch (ParserConfigurationException ex) {
            Logger.getLogger(Provklass.class.getName()).log(Level.SEVERE, null, ex);
        } catch (SAXException ex) {
            Logger.getLogger(Provklass.class.getName()).log(Level.SEVERE, null, ex);
        } catch (IOException ex) {
            Logger.getLogger(Provklass.class.getName()).log(Level.SEVERE, null, ex);
        } catch (TransformerConfigurationException ex) {
            Logger.getLogger(Provklass.class.getName()).log(Level.SEVERE, null, ex);
        } catch (TransformerException ex) {
            Logger.getLogger(Provklass.class.getName()).log(Level.SEVERE, null, ex);
        }

    }



}

更新：使用metsDoc.getInputEncoding（）返回UTF-8，而metsDoc.getXmlEncoding（）返回ASCII。如果我在保存后解析新文件并创建一个新文档，我会得到相同的结果。因此该文档似乎具有正确的编码，但xml声明不正确。

现在我在解析之前将xml编辑为文本文件，用parseXML(chosenFile.getAbsoutePath());替换上面的解析部分并使用以下方法：

private String withEditedDeclaration(String fileName) {
    StringBuilder text = new StringBuilder();
    try {

        String NL = System.getProperty("line.separator");
        try (Scanner scanner = new Scanner(new FileInputStream(fileName))) {
            String line = scanner.nextLine();
            text.append(line.replaceFirst("ASCII", "UTF-8") + NL);
            while (scanner.hasNextLine()) {

                text.append(scanner.nextLine() + NL);
            }
        }

    } catch (FileNotFoundException ex) {
        Logger.getLogger(MetsAdaption.class.getName()).log(Level.SEVERE, null, ex);
    } 
    return text.toString();
}

private void parseXML(String fileName) throws SAXException, IOException, ParserConfigurationException {
    String xmlString = withEditedDeclaration(fileName);

    //parsing the xml file
    DocumentBuilderFactory factory = DocumentBuilderFactory.newInstance();
    factory.setNamespaceAware(true);
    DocumentBuilder builder = factory.newDocumentBuilder();
    InputSource is = new InputSource();
    is.setCharacterStream(new StringReader(xmlString));
    metsDoc = builder.parse(is);
}

它有效，但它似乎是一个丑陋的解决方案。如果有人知道更好的方式，我将非常感激。

Answer 1

我有一个类似的问题，我的xml声明最初是：

<?xml version="1.0" encoding="windows-1252"?>

但是在解析为Document然后再回到XML UTF-8之后，编码保持为windows-1252，即使字节本身位于UTF-8。我最终得出结论TransformerFactory的实现是com.sun.org.apache.xalan.internal.xsltc.trax.TransformerFactoryImpl，将其更改为：

org.apache.xalan.processor.TransformerFactoryImpl

来自Apache Xalan Java 2.7.1的

导致XML减速中的字符集被正确设置，现在我有：

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

使用java编辑xml声明编码

1 个答案: