Question

我正在尝试从命令行批处理数千个XML文件，但是我收到了与无效字符有关的各种错误消息。

到目前为止，我已经能够以两种不同的方式解决这个问题：

在记事本中打开违规文件，然后转到另存为＆gt; UTF-8
将编码添加到XML声明中（出于某种原因） ISO-8859-1也有效）

我很困惑，为什么我收到这些错误消息。我看不到原始XML或DTD中的编码，因此XML并不是声称它不是它的东西。

考虑到要处理的文件数量，我发现单独修复每个文件也很麻烦。我想知道是否有任何方法可以通过编程方式修复此问题，例如在XSLT样式表中？

错误消息是：

 Error on line 80 column 128 of 12345.dxl: SXXP0003: Error reported by XML parser: Invalid byte 1 of 1-byte UTF-8 sequence.

第128行第80行似乎与缺少的单引号相对应:(＆＃34;这是政府本地服务调整练习＆＃34;）。

我尝试将字符映射添加到XSLT，但我仍然得到同样的错误：

<xsl:output method="text" omit-xml-declaration="yes" indent="no" use-character-maps="curly_quotes"/>
<xsl:character-map name="curly_quotes">
    <xsl:output-character character="&#146;" string="‘"/>
    <xsl:output-character character="&#147;" string="’"/>
    <xsl:output-character character="&#148;" string="“"/>
    <xsl:output-character character="&#150;" string="”"/>
</xsl:character-map>

Answer 1

我安装了iconv工具，确实符合要求。但我还没有想出批处理的语法。为此，我发布了一个单独的问题here。

Answer 2

回答提出的问题：一般情况下（但见下文），人们无法在XSLT中以编程方式修复编码错误，因为XSLT会对解析的XML文档起作用，而编码错误通常会阻止文档被正确解析，严格来说说话意味着没有XML文档存在，只有一个八位字节流无法管理XML格式良好。

正如@nwellnhof指出的那样，使用的工具是像iconv一样的字符集转换器。

请注意，虽然在一般情况下，具有编码错误或编码声明不准确的文档将无法通过XML解析阶段，但可能存在例外情况：并非编码声明中的所有错误都可以可靠地检测到。例如，如果有一批文件都被标记为ISO 8859-1，尽管实际上它们是ISO 8859-15（或者，我认为，几乎是ISO 8859的任何其他部分），那么它不太可能XML解析器可以检测到错误;执行近似标识转换并使用所需的编码声明写出其输入的XSLT样式表可以解决此类错误。但这是一个非常特殊的案例。可以在http://cmsmcq.com/2007/dialog.surrogates.xml

找到进一步的讨论（对于那些喜欢这类问题的人）

如何在XSLT中以编程方式修复编码错误

2 个答案: