我想在XML文件中遇到特殊的UTF-8字符时抛出异常

Question

我正在解析一个使用UTF-8编码的XML文件。

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

现在，我们的业务应用程序有一组组件，这些组件由不同的团队开发，并且不使用相同的库来解析XML。我的组件使用JAXB，而其他一些组件使用SAX等等。现在，当XML文件包含特殊字符，如"ä“、"ë”或"é“(带有变音字符)时，JAXB可以正确地解析它，但其他组件(子应用程序)无法正确解析它们并抛出异常。

由于业务需要，我不能更改其他组件的编程，但我必须在我的应用程序中设置限制/验证，以确保XML (数据加载)文件不包含任何此类字符。

什么是确保文件不包含上述(或类似)字符的最佳方法，并且可以在开始使用JAXB解析XML文件之前抛出异常(或给出错误)。

Answer 1

如果您的客户发送给您的XML文件的头中的编码与文件内容不匹配，您不妨放弃尝试并对该文件执行任何有意义的操作。-他们是否真的在发送报头与实际编码不匹配的数据？那么这就不是XML了。你应该向他们收取更高的费用;-)

只需将文件作为FileInputStream逐字节读取即可。如果它包含负字节值，则拒绝处理它。

您可以保留像UTF-8或ISO 8859-1这样的编码设置，因为它们都将US-ASCII作为正确的子集。

Answer 2

是的，我的回答和劳恩提到的一样……

static boolean readInput() {
    boolean isValid = true;
    StringBuffer buffer = new StringBuffer();
    try {
        FileInputStream fis = new FileInputStream("test.txt");
        InputStreamReader isr = new InputStreamReader(fis);
        Reader in = new BufferedReader(isr);
        int ch;
        while ((ch = in.read()) > -1) {
            buffer.append((char)ch);
            System.out.println("ch="+ch);
            //TODO - check range for each character 
            //according the wikipedia table http://en.wikipedia.org/wiki/UTF-8
            //if it's a valid utf-8 character
            //if it's not in range, the isValid=false;
            //and you can break here...
        }
        in.close();
        return isValid;
    } 
    catch (IOException e) {
        e.printStackTrace();
        return false;
    }
}

我只是添加了一个代码片段...

Answer 3

您应该能够将XML输入包装在java.io.Reader中，在其中指定实际的编码，然后正常处理。Java将利用在InputStream中指定的编码，但是当使用Reader时，将使用Reader的编码。

Unmarshaller unmarshaller = jc.createUnmarshaller();
InputStream inputStream = new FileInputStream("input.xml");
Reader reader = new InputStreamReader(inputStream, "UTF-16");
try {
    Address address = (Address) unmarshaller.unmarshal(reader);
} finally  {
    reader.close();
}