日本人的org.xml.sax.SAXParseException。元素的内容必须由格式良好的字符数据或标记组成。

Question

如果HTML具有以下日语字符，则在Java程序中获得以下错误。

ファミリーコンパクト ２７０ｍｌ ●植物成分使用●型番：コンパクト●容量（mL）：270●しつこい油汚れをスッキリ落とします。

使用org.w3c.tidy.Tidy解析org.xhtmlrenderer.pdf.ITextRenderer，然后使用org.xhtmlrenderer.pdf.ITextRenderer生成PDF。

错误：

    ERROR:  'The content of elements must consist of well-formed character data or markup.'
Exception in thread "main" org.xhtmlrenderer.util.XRRuntimeException: Can't load the XML resource (using TRaX transformer). org.xml.sax.SAXParseException; lineNumber: 187; columnNumber: 65; The content of elements must consist of well-formed character data or markup.
    at org.xhtmlrenderer.resource.XMLResource$XMLResourceBuilder.createXMLResource(XMLResource.java:191)
    at org.xhtmlrenderer.resource.XMLResource.load(XMLResource.java:71)
    at org.xhtmlrenderer.swing.NaiveUserAgent.getXMLResource(NaiveUserAgent.java:211)
    at org.xhtmlrenderer.pdf.ITextRenderer.loadDocument(ITextRenderer.java:134)
    at org.xhtmlrenderer.pdf.ITextRenderer.setDocument(ITextRenderer.java:149)
    at me.preekmr.Main.convertHTMLToPDF(Main.java:66)
    at me.preekmr.Main.main(Main.java:27)
Caused by: javax.xml.transform.TransformerException: org.xml.sax.SAXParseException; lineNumber: 187; columnNumber: 65; The content of elements must consist of well-formed character data or markup.
    at com.sun.org.apache.xalan.internal.xsltc.trax.TransformerImpl.transform(TransformerImpl.java:740)
    at com.sun.org.apache.xalan.internal.xsltc.trax.TransformerImpl.transform(TransformerImpl.java:343)
    at org.xhtmlrenderer.resource.XMLResource$XMLResourceBuilder.createXMLResource(XMLResource.java:189)
    ... 6 more
Caused by: org.xml.sax.SAXParseException; lineNumber: 187; columnNumber: 65; The content of elements must consist of well-formed character data or markup.
    at com.sun.org.apache.xerces.internal.parsers.AbstractSAXParser.parse(AbstractSAXParser.java:1239)
    at com.sun.org.apache.xalan.internal.xsltc.trax.TransformerImpl.transformIdentity(TransformerImpl.java:659)
    at com.sun.org.apache.xalan.internal.xsltc.trax.TransformerImpl.transform(TransformerImpl.java:728)
    ... 8 more

Answer 1

问题与Tidy解析器的输出编码有关.

以前，Tidy解析器使用输入编码作为UTF-8读取HTML，并使用相同的UTF-8编码进行输出。但是org.xml.*呈现程序无法解析一些UTF-8字符。因此出现了解析异常。

现在，在将Tidy的输出编码设置为ASCII之后，它将非ASCII字符转换为实体(字符实体引用)，因此它可以被XML正确地解析。

tidy.setInputEncoding("UTF-8");
tidy.setOutputEncoding("ASCII");