dom4j 中文编码读写异常

在使用dom4j的时候发现有时会出现这样一个问题:无法以UTF-8编码格式成功保存xml文件,具体表现为保存后中文呈现乱码(如果没有乱码,说明保存前的编码没有设置成功,保存成了本地的gbk或者gb2312格式)再次读取的时候会报类似如下的错误:

  1. Invalid byte 2 of 2-byte UTF-8 sequence. Nested exception: Invalid byte 2 of 2-byte UTF-8 sequence.  
  2. Invalid byte 1 of 1-byte UTF-8 sequence. Nested exception: Invalid byte 1 of 1-byte UTF-8 sequence.  
  3. Invalid byte 2 of 2-byte UTF-8 sequence. Nested exception: Invalid byte 2 of 2-byte UTF-8 sequence.  
  4. Invalid byte 2 of 2-byte UTF-8 sequence. Nested exception: Invalid byte 2 of 2-byte UTF-8 sequence.  
  5. Invalid byte 1 of 1-byte UTF-8 sequence. Nested exception: Invalid byte 1 of 1-byte UTF-8 sequence.  

在dom4j的范例中新建一个xml文档的代码如下:

  1. // 输出XML文档  
  2. try  
  3. {  
  4.     XMLWriter output = new XMLWriter(new FileWriter(new File("data/catalog.xml")));  
  5.     output.write(document);  
  6.     output.close();  
  7. }  
  8. catch (IOException e)  
  9. {  
  10.     System.out.println(e.getMessage());  
  11. }  


错误原因分析
    在上面的代码中输出使用的是FileWriter对象进行文件的输出。这就是不能正确进行文件编码的原因所在,Java中由Writer类继承下来的子类没有提供编码格式处理,所以dom4j也就无法对输出的文件进行正确的格式处理。这时候所保存的文件会以系统的默认编码对文件进行保存,在中文版的window下Java的默认的编码为GBK,也就是说虽然我们标识了要将xml保存为utf-8格式,但实际上文件是以GBK格式来保存的,所以这也就是为什么我们使用GBK、GB2312编码来生成xml文件能正确的被解析,而以UTF-8格式生成的文件不能被xml解析器所解析的原因。

如何解决问题?

首先我们看看dom4j是如何实现编码处理的,如下所示:

  1. public XMLWriter(OutputStream out) throws UnsupportedEncodingException {  
  2.     //System.out.println("In OutputStream");  
  3.     this.format =DEFAULT_FORMAT;  
  4.     this.writer = createWriter(out,format.getEncoding());  
  5.     this.autoFlush =true;  
  6.    namespaceStack.push(Namespace.NO_NAMESPACE);  
  7. }  
  8. public XMLWriter(OutputStream out, OutputFormat format)throws UnsupportedEncodingException {  
  9.     //System.out.println("In OutputStream,OutputFormat");  
  10.     this.format = format;  
  11.     this.writer = createWriter(out, format.getEncoding());  
  12.     this.autoFlush =true;  
  13.    namespaceStack.push(Namespace.NO_NAMESPACE);  
  14. }  
  15. /** 
  16. * Get an OutputStreamWriter, use preferred encoding. 
  17. */  
  18. protected Writer createWriter(OutputStream outStream, String  
  19.     encoding) throws UnsupportedEncodingException {  
  20.     return new BufferedWriter(  
  21.         new OutputStreamWriter( outStream, encoding )  
  22.     );  
  23. }  


由上面的代码我们可以看出dom4j对编码并没有进行什么很复杂的处理,完全通过 Java本身的功能来完成。所以我们在使用dom4j生成xml文件时不应该直接在构建XMLWriter时,为其赋一个Writer对象,而应该通过一个OutputStream的子类对象来构建。也就是说在我们上面的代码中,不应该用FileWriter对象来构建xml文档,而应该使用FileOutputStream对象来构建,修改后的代码如下:

  1. // 输出XML文档  
  2. try  
  3. {  
  4.     OutputFormat outFmt = new OutputFormat("\t"true);  
  5.     outFmt.setEncoding("UTF-8");  
  6.     XMLWriter output = new XMLWriter(new FileOutputStream(filename), outFmt);    
  7.     output.write(document);  
  8.     output.close();  
  9. }  
  10. catch (IOException e)  
  11. {  
  12.     System.out.println(e.getMessage());  
  13. }  


如何读取呢?

  1. public List extractXMLText(File inputXml, String node)  
  2. {  
  3.     List texts = null;  
  4.     try  
  5.     {  
  6.        // 使用SAXReader解析XML文档,SAXReader包含在org.dom4j.io包中。  
  7.        // inputXml是由xml文件创建的java.io.File。  
  8.        SAXReader saxReader = new SAXReader();  
  9.        saxReader.setEncoding("UTF-8");  
  10.        Document document = saxReader.read(inputXml);  
  11.             
  12.        texts = document.selectNodes(node); // 获取sentence列表  
  13.     }  
  14. catch (DocumentException e)  
  15.   {  
  16.        System.out.println(e.getMessage());  
  17.   }  
  18.   return texts;  
  19. }  

你可能感兴趣的:(dom4j)