Question

我正在尝试解析和编辑以UTF-8编码的XML文件，但是某些字符将以其HTML数字代码的形式返回，而不是字符本身。

要解决此问题，我设置了一个DOM解析器，使它基本上无需编辑即可复制XML。我专门使用日语汉字/中文字符，但是某些字符已被解析并作为其HTML代码返回。我尝试在输入流，转换器和输出流上将编码指定为UTF-8，但结果是相同的。我摘录了https://www.journaldev.com/901/modify-xml-file-in-java-dom-parser的这段代码。

String filePath = "file path";
File xmlFile = new File(filePath);
DocumentBuilderFactory dbFactory = DocumentBuilderFactory.newInstance();
DocumentBuilder dBuilder;
try {
    dBuilder = dbFactory.newDocumentBuilder();
    Document doc = dBuilder.parse(xmlFile);

    doc.getDocumentElement().normalize();
    TransformerFactory transformerFactory = TransformerFactory.newInstance();
    Transformer transformer = transformerFactory.newTransformer();
    DOMSource source = new DOMSource(doc);
    StreamResult result = new StreamResult(new File("updated.xml"));
    transformer.setOutputProperty(OutputKeys.INDENT, "yes");
    transformer.setOutputProperty(OutputKeys.ENCODING, "UTF-8");
    transformer.transform(source, result);
    System.out.println("XML file updated successfully");

} catch (SAXException | ParserConfigurationException | IOException | TransformerException e1) 
{
    e1.printStackTrace();
}
}

这是XML解析之前的样子，返回后应该看起来一样：

<?xml version="1.0" encoding="UTF-8" standalone="no"?>
<!-- Entry for Kanji:  -->
<character>
  <literal></literal>
</character>

这将返回什么：

<?xml version="1.0" encoding="UTF-8" standalone="no"?>
<!-- Entry for Kanji:  -->
<character>
  <literal>&#134047;</literal>
</character>

Answer 1

似乎核心问题是Transformer.transform()仅支持基本多语言平面（BMP）中字符的“干净”转换，尽管故事的内容可能还不止这些。我从您的链接中克隆了代码，并根据包含几个CJK字符的示例创建了一个输入XML文件：

<?xml version="1.0" encoding="UTF-8" standalone="no"?>
<character>
    <!-- Basic Multilingual Plane -->
    <!-- CJK Unified Ideographs Extension A -->
    <literal>U+3400 㐀</literal>
    <literal>U+4DB5 䶵</literal>
    <!-- CJK Unified Ideographs Extension -->
    <literal>U+53F1 叱</literal>
    <!-- Supplementary Ideographic Plane -->
    <!-- CJK Unified Ideographs Extension B -->
    <literal>U+20000 </literal>
    <literal>U+20B9F </literal>
    <literal>U+2A6D6 </literal>
    <!-- CJK Unified Ideographs Extension C  -->
    <literal>U+2A700 </literal>
    <literal>U+2B734 </literal>
    <!-- CJK Unified Ideographs Extension D -->
    <literal>U+2B740 </literal>
    <literal>U+2B81D </literal>
</character>

当我运行应用程序（使用JDK 11）时，BMP中的三个CJK字符已正确转换，但是补充表意文字（SIP）中的所有CJK字符都转换为HTML转义码。这是创建的XML文件：

<?xml version="1.0" encoding="UTF-8" standalone="no"?>
<character>
    <!-- Basic Multilingual Plane -->
    <!-- CJK Unified Ideographs Extension A -->
    <literal>U+3400 㐀</literal>
    <literal>U+4DB5 䶵</literal>
    <!-- CJK Unified Ideographs Extension -->
    <literal>U+53F1 叱</literal>
    <!-- Supplementary Ideographic Plane -->
    <!-- CJK Unified Ideographs Extension B -->
    <literal>U+20000 &#131072;</literal>
    <literal>U+20B9F &#134047;</literal>
    <literal>U+2A6D6 &#173782;</literal>
    <!-- CJK Unified Ideographs Extension C  -->
    <literal>U+2A700 &#173824;</literal>
    <literal>U+2B734 &#177972;</literal>
    <!-- CJK Unified Ideographs Extension D -->
    <literal>U+2B740 &#177984;</literal>
    <literal>U+2B81D &#178205;</literal>
</character>

当我在调试器中运行代码时，JRE似乎使用Xalan来实现Transformer.transform()。有一个非常古老的SO帖子Serializing supplementary unicode characters into XML documents with Java，它与您的问题不完全相同，但与之相关。海报甚至在2012年针对问题ToXMLStream does not support unicode supplementary characters提出了一份Xalan错误报告，该报告仍未公开！

您在注释中提到的字符（U + 20B9F）在SIP中，这大概就是为什么将其转换为转义码的原因，而非常相似的字符叱（U + 53F1）位于BMP中并正确转换。

我不知道为什么存在此问题，但是有几种可能的原因：

Xalan的Transformer.transform()实现仅支持BMP中的字符。
Xalan的Transformer.transform()实现不支持四字节Unicode字符的转换。
Xalan尚未更新为支持最新的CJK统一表意文字扩展中指定的CJK字符。
做出了以这种方式转换SIP字符的蓄意设计决定。这似乎不太可能，除了：
- HTML转义代码始终正确
- 在注释中正确转换了SIP字符。

解析后，某些unicode字符将作为其HTML代码返回

1 个答案: