如何应用utf-8字符集编码将DOM文档对象转换为xml

Question

我需要将DOM文档对象转换为xml，并确保xml的内容是utf-8字符集。我的代码看起来像下面这样，但是它没有达到预期的结果，并且在生成的xml中，我可以看到字符没有编码。

Document doc = (Document)operation.getResult(); //this method is returning the document object
TransformerFactory tFactory = TransformerFactory.newInstance();    
Transformer transformer = tFactory.newTransformer();        
transformer.setOutputProperty(OutputKeys.ENCODING, "UTF-8");
transformer.setOutputProperty(OutputKeys.INDENT, "yes");
transformer.setOutputProperty(OutputKeys.OMIT_XML_DECLARATION, "no"); 
transformer.setOutputProperty(OutputKeys.METHOD, "xml"); 
DOMSource domSource = new DOMSource(doc);
OutputStreamWriter osw = new OutputStreamWriter(outputStream, "UTF-8");
StreamResult result = new StreamResult(osw);
transformer.transform(domSource,result);

从上面的代码中获得的outputStream被提供给ADF中的一个文件下载组件，在这里，由于生成的xml文件没有针对特殊字符进行编码，因此生成了标头行，说明编码正在生成。生成的xml文件示例如下所示。

<?xml version = '1.0' encoding = 'UTF-8'?>
<PlanObjects>
      <CompPlan BusinessUnit="Vision Operations" OrgId="204" Name="RNNewCompPlan" StartDate="2015-01-01" EndDate="2015-12-31">
         <CompPlansVORow>
            <CompPlanName>RNNewCompPlan</CompPlanName>
            <Description>Using some special chars in desc - ¥ © ¢ </Description>
            <DisplayName>RNNewCompPlan</DisplayName>
         </CompPlansVORow>
   </CompPlan>
</PlanObjects>

预期字符“元©”已被编码并显示为十六进制/八位字节代码。有人能建议一下这里出了什么问题吗？

Answer 1

您对UTF-8的理解是错误的- ¥ © ¢已被编码为UTF-8，以及文件的其余部分。您可以通过在十六进制编辑器中打开文件并找到序列：'c2a5 c2a9 c2a2'来验证这一点，这将是¥ © ¢的UTF8编码。

AFAIK，您不应该在XML中使用十六进制/八进制字符转义序列。XML解析器将不会出现问题地解码您的文件。

要测试您的代码是否能与另一个解析器一起工作，请使用以下python代码：

import xml.etree.ElementTree as ET

tree = ET.parse('test.xml')
root = tree.getroot()

print ET.tostring(root, encoding="UTF-8")