java - Apache Camel 处理 XML 文件中声明的编码

Question

我正在尝试使用 Apache Camel Splitter 和 xtokenize 解析 UTF-16 编码文档，这委托(delegate)给 Woodstox (com.ctc.wstx.sr.BasicStreamReader)，而且在读取文件之前我无法知道文件的编码，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 字节读取为 UTF-8，但失败并显示

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

如 https://www.w3.org/TR/xml/#sec-guessing 中所述XML 解析器 (Woodstox) 应该能够自动检测文件编码，只要 Camel 允许它完成这项工作。

有没有办法不自己实现编码检测？

Answer 1

好的，我可以看到当前的源代码将回退并使用平台编码。因此，不支持使用 XML 节中提供的编码的用例。

我不确定 Camel 是否真的需要回退到默认平台编码，因为它在拆分器中使用 java.util.Scanner，并且它支持在不使用特定编码的情况下进行扫描。

也许您可以尝试修补 XMLTokenExpressionIterator 中的源代码并在本地测试它，然后在此处报告。

然后我们可以看看是否可以在 Apache Camel 中选择是否使用回退编码。

在当前版本的 Apache Camel 中，您始终可以扩展 XMLTokenExpressionIterator 并重写 doEvaluate 方法，然后调用不带字符集参数的 createIterator 方法。然后将您的自定义迭代器与 Camel splitter 一起使用。