使用dom4j读取时转换文档编码

Question

有什么方法可以将dom4j的SAXReader解析的文件从ISO-8859-2编码转换为UTF-8？我需要在解析时发生这种情况，以便dom4j创建的对象已经是Unicode / UTF-8并运行如下代码：

"some text".equals(node.getText());

返回true。

Answer 1

这是由dom4j自动完成的。 Java中的所有String实例都采用通用的解码形式;一旦创建String，就无法分辨原始字符编码是什么（或者即使字符串是从编码字节创建的）。

确保XML文档具有指定的字符编码（除非它是UTF-8，否则是必需的）。

Answer 2

解码发生在InputSource（SAXReader之前）之前（或之前）。从那个班的javadocs：

  

SAX解析器将使用InputSource对象来确定如何读取XML输入。如果有可用的字符流，解析器将直接读取该流，忽略在该流中找到的任何文本编码声明。如果没有字符流，但是有字节流，则解析器将使用该字节流，使用InputSource中指定的编码，否则（如果未指定编码）使用诸如中的编码之类的算法自动检测字符编码XML规范。如果字符流和字节流都不可用，解析器将尝试打开与系统标识符标识的资源的URI连接。

所以这取决于你如何创建InputSource。为了保证正确解码，您可以使用以下内容：

InputStream stream = <input source>
Charset charset = Charset.forName("ISO-8859-2");
Reader reader = new BufferedReader(new InputStreamReader(stream, charset));
InputSource source = new InputSource(reader);