java - 未知的 UTF-8 代码单元关闭双引号

Question

我的问题如下。我正在读取一个 XML 文件，其文本节点部分包含 UTF-8 版本的左双引号和右双引号。文本被提取，缩短为 3999 字节并放入新的 XML 格式，然后保存为文件。

虽然输入文件中的 Notepad++ 可以正确显示这两个符号，但输出文件包含无效的 utf-8 字符，甚至 Notepad++ 也无法显示。

开头的双引号打印正确，但结尾的双引号被毁容了。

使用十六进制编辑器，我发现代码单元以某种方式从

E2 80 9D

在输入文件中

E2 80 3F

在输出文件中。 我正在使用 sax-parser 进行 xml 解析。

是否存在任何可能导致此类行为的已知错误？

Answer 1

这不是已知错误，而是在读取文件或写入文件时遗漏编码的常见错误 - 导致使用的平台默认编码在本例中为 Windows-1252。

当您最初读取文件时，您应该指定 UTF-8 解码，而当写入新文件时，您应该指定 UTF-8 编码。如果您发布您的实现，我可以就地更正。

如何重现:

byte[] quoteutf8 = {(byte)0xE2, (byte)0x80, (byte)0x9D};
String decodedPlatformDefault = new String(quoteutf8, "Windows-1252");
byte[] encodedPlatformDefault = decodedPlatformDefault.getBytes("Windows-1252");

for( byte i : encodedPlatformDefault ) {
    System.out.print(String.format( "%02x ", i ));
   //e2 80 3f   
}