問題描述
在使用dom4j的時(shí)候發(fā)現(xiàn)有時(shí)會(huì)出現(xiàn)這樣一個(gè)問題：無法以UTF-8編碼格式成功保存xml文件，具體表現(xiàn)為保存后中文呈現(xiàn)亂碼（如果沒有亂碼，說明保存前的編碼沒有設(shè)置成功，保存成了本地的gbk或者gb2312格式）再次讀取的時(shí)候會(huì)報(bào)類似如下的錯(cuò)誤：
Invalid byte 2 of 2-byte UTF-8 sequence. Nested exception: Invalid byte 2 of 2-byte UTF-8 sequence.
Invalid byte 1 of 1-byte UTF-8 sequence. Nested exception: Invalid byte 1 of 1-byte UTF-8 sequence.
Invalid byte 2 of 2-byte UTF-8 sequence. Nested exception: Invalid byte 2 of 2-byte UTF-8 sequence.
Invalid byte 2 of 2-byte UTF-8 sequence. Nested exception: Invalid byte 2 of 2-byte UTF-8 sequence.
Invalid byte 1 of 1-byte UTF-8 sequence. Nested exception: Invalid byte 1 of 1-byte UTF-8 sequence.
在dom4j的范例中新建一個(gè)xml文檔的代碼如下：
// 輸出XML文檔
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());
}
錯(cuò)誤原因分析
在上面的代碼中輸出使用的是FileWriter對(duì)象進(jìn)行文件的輸出。這就是不能正確進(jìn)行文件編碼的原因所在，Java中由Writer類繼承下來的子類沒有提供編碼格式處理，所以dom4j也就無法對(duì)輸出的文件進(jìn)行正確的格式處理。這時(shí)候所保存的文件會(huì)以系統(tǒng)的默認(rèn)編碼對(duì)文件進(jìn)行保存，在中文版的window下Java的默認(rèn)的編碼為GBK，也就是說雖然我們標(biāo)識(shí)了要將xml保存為utf-8格式，但實(shí)際上文件是以GBK格式來保存的，所以這也就是為什么我們使用GBK、GB2312編碼來生成xml文件能正確的被解析，而以UTF-8格式生成的文件不能被xml解析器所解析的原因。
如何解決問題？
首先我們看看dom4j是如何實(shí)現(xiàn)編碼處理的，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 )
);
}
由上面的代碼我們可以看出dom4j對(duì)編碼并沒有進(jìn)行什么很復(fù)雜的處理，完全通過 Java本身的功能來完成。所以我們?cè)谑褂?/span>dom4j生成xml文件時(shí)不應(yīng)該直接在構(gòu)建XMLWriter時(shí)，為其賦一個(gè)Writer對(duì)象，而應(yīng)該通過一個(gè)OutputStream的子類對(duì)象來構(gòu)建。也就是說在我們上面的代碼中，不應(yīng)該用FileWriter對(duì)象來構(gòu)建xml文檔，而應(yīng)該使用 FileOutputStream對(duì)象來構(gòu)建，修改后的代碼如下:
// 輸出XML文檔
try
{
OutputFormat outFmt = new OutputFormat("\t", true);
outFmt.setEncoding("UTF-8");
XMLWriter output = new XMLWriter(new FileOutputStream(filename), outFmt);
output.write(document);
output.close();
}
catch (IOException e)
{
System.out.println(e.getMessage());
}
如何讀取呢？
public List extractXMLText(File inputXml, String node)
{
List texts = null;
try
{
// 使用SAXReader解析XML文檔,SAXReader包含在org.dom4j.io包中。
// inputXml是由xml文件創(chuàng)建的java.io.File。
SAXReader saxReader = new SAXReader();
saxReader.setEncoding("UTF-8");
Document document = saxReader.read(inputXml);
texts = document.selectNodes(node); // 獲取sentence列表
}
catch (DocumentException e)
{
System.out.println(e.getMessage());
}
return texts;
}
