java - 为什么在文件包含特殊 UTF-8 字符时使用 InputSource 修复 SAX 解析器

Question

我正在寻求解释，当我的 XML 文件中有一些特殊的 UTF-8 字符时，为什么我的 SAX 解析器会失败。

为了解析 XML 文件，我使用 Document doc = builder.parse(inputSource);

但是，当我使用 inputSource 时，它工作正常:

DocumentBuilder builder = factory.newDocumentBuilder();
InputStream in = new FileInputStream(file);
InputSource inputSource = new InputSource(new InputStreamReader(in));
Document doc = builder.parse(inputSource);

我不太明白为什么后者有效。我见过它被使用的例子，但没有解释它为什么起作用。 第二个是否解析字符串而不是文件，因此编码将是 UTF-8？

Answer 1

我怀疑您的文档不是真的您声明的编码。这一行:

InputSource inputSource = new InputSource(new InputStreamReader(in));

将使用平台默认 编码将二进制数据转换为 InputStreamReader 中的文本。 XML 解析器不再执行此操作 - 它看不到原始字节。

如果这有效，则您的 XML 文件可能会被巧妙地破坏 - 它可能声明它是 UTF-8，但使用平台默认编码(例如 Windows-1252)。如果您有任何选择，您应该修复 XML 而不是使用变通方法。