Apache Camel处理XML-File中声明的编码

Question

我试图使用带有xtokenize的Apache解析一个UTF-16编码文档，这委托给Woodstox (com.ctc.wstx.sr.BasicStreamReader)，而且在读取文件之前我无法知道它的编码，目前有些文件是UTF-16，其他文件是UTF-8：

.split().xtokenize(getToken(), 'w', NAMESPACES)

我遇到的问题是Camel告诉Woodstox使用哪种编码：

String charset = IOHelper.getCharsetName(exchange);

它将默认的UTF-8设置为编码，因此BasicStreamReader尝试将BOM字节读入UTF-8，并在

com.ctc.wstx.exc.WstxUnexpectedCharException: Unexpected character '�' (code 65533 / 0xfffd) in prolog; expected '<'

正如在https://www.w3.org/TR/xml/#sec-guessing中指定的那样，如果只有Camel让Camel来完成工作，那么Woodstox应该能够自动检测文件编码。

有没有办法不自己实现编码检测？

Answer 1

根据我的评论创建了一个Camel JIRA票据：https://issues.apache.org/jira/browse/CAMEL-11846，您可以看到，在不事先知道它是UTF-16的情况下，将UTF-16 XML与Camel分离是不容易的解决方案。

虽然子类XMLTokenExpressionIterator (这是一个ExpressionAdapter )并且切换到InputStream首先是有效的，但是还有其他几个地方使用xslt & xpath &转换到StaxSource，因为同样的原因它会中断。

作为一种解决方法，我认为让XmlStreamReader提前找到编码(在初始化时发生)和设置Exchange.CHARSET_NAME头或属性更容易。

Answer 2

好的，我可以看到当前的源代码将退步，并使用平台编码。因此，不支持XML节中提供的编码用例。

我不确定Camel是否真的需要退回到默认平台编码，因为它在拆分器中使用java.util.Scanner，并且它支持不使用特定编码的扫描。

也许您可以尝试在XMLTokenExpressionIterator中修补源代码，并在本地测试它，然后在这里报告。

然后，我们可能会看到，在Apache中，是否可以选择使用回退编码。

在Apache的当前版本中，您始终可以扩展XMLTokenExpressionIterator并重写doEvaluate方法，然后在没有字符集参数的情况下调用createIterator方法。然后使用您的自定义迭代器与骆驼分离器。