java - 修复 XML 文件中的错误编码

Question

我们的一个提供商有时会发送标记为 UTF-8 编码文档但包含未包含在 UTF-8 字符集中的字符的 XML 提要。这会导致解析器在遇到这些字符时抛出异常并停止构建 DOM 对象:

DocumentBuilder.parse(ByteArrayInputStream bais) 

抛出以下异常:

org.xml.sax.SAXParseException: Invalid byte 2 of 2-byte UTF-8 sequence.

有没有办法及早“捕获”这些问题并避免异常(即从流中查找和删除这些字符)？我正在寻找的是针对错误编码文档的“尽力而为”类型的回退。正确的解决方案显然是从源头上解决问题并确保只交付正确的文档，但如果无法做到这一点，什么是好的方法呢？

Answer 1

如果问题确实是错误的编码(而不是混合编码)，您不需要重新编码文档来解析它。只需将其解析为 Reader 而不是 InputStream，dom 解析器将忽略 header :

DocumentBuilder.parse(new InpputSource(new InputStreamReader(inputStream, "<real encoding>")));