Howto laisser l'analyseur SAX déterminer l'encodage à partir de la déclaration xml?

Je suis en train d'analyser des fichiers xml à partir de différentes sources (sur lequel j'ai peu de contrôle). La plupart d'entre eux sont encodés en UTF-8 et ne cause pas de problèmes à l'aide de l'extrait de code suivant:

SAXParserFactory factory = SAXParserFactory.newInstance();
SAXParser parser = factory.newSAXParser();
FeedHandler handler = new FeedHandler();
InputSource is = new InputSource(getInputStream());
parser.parse(is, handler);

Depuis SAX valeur par défaut est UTF-8, ce qui est correct. Cependant, certains documents déclarer:

<?xml version="1.0" encoding="ISO-8859-1"?>

Même si l'ISO-8859-1 est déclaré SAX encore de la valeur par défaut est UTF-8.
Seulement si j'ajoute:

is.setEncoding("ISO-8859-1");

Sera SAX utiliser l'encodage correct.

Comment puis-je laisser SAX détecter automatiquement l'encodage correct de la déclaration xml, sans moi, plus précisément le définir? J'ai besoin de cela parce que je ne sais pas à quoi l'encodage du fichier sera.

Merci d'avance,
Allan

InformationsquelleAutor Allan | 2010-08-14
  1. 14

    Utilisation InputStream comme argument pour InputSource quand vous voulez Sax à la détection automatique de l'encodage.

    Si vous souhaitez définir un codage spécifique, utilisez Lecteur avec un encodage spécifié ou setEncoding méthode.

    Pourquoi? Parce que détection automatique de l'encodage des algorithmes nécessitent des données brutes, pas de conversion de caractères.

    La question du sujet est: Comment permettre à l'analyseur SAX déterminer l'encodage à partir de la déclaration xml? J'ai trouvé Allan, la réponse à la question trompeuse et j'ai fourni l'alternative, fondée sur Jörn Horstmann du commentaire et de mon expérience.

    • Oui: le point-clé, c'est que SAX permet de détecter l'encodage à partir de la <?xml encoding=''?> PI que si le InputSource est construit à partir d'un InputStream exemple; cela ne fonctionnera pas s'il est construit à partir d'un Reader (parce que le point de Reader est que sa sortie est post-décodage'). Qui est: new InputSource(getInputStream()) est correct.
    • Sur une note de côté, est-il une bibliothèque qui analyse juste de la déclaration XML en utilisant les algorithmes ci-dessus? Je demande car je ne peux pas utiliser Sax directement, mais je voudrais extraire l'encodage info de mon xmls.
    • Cela devrait être la solution retenue. InputStream n'a pas de codage de l'information, de sorte SAX détermine le codage lui-même en essayant de lire l'attribut de codage à partir du fichier XML. Cela fonctionne aussi lorsque l'on travaille avec le XsltTransformer.
    InformationsquelleAutor Jarekczek
  2. 9

    J'ai trouvé la réponse moi-même.

    L'analyseur SAX utilise InputSource à l'interne et de l'InputSource docs:

    L'analyseur SAX va utiliser la
    InputSource objet de déterminer comment
    lire les données XML d'entrée. Si il y a un
    flux de caractères disponibles, l'analyseur
    va lire ce flux directement,
    indépendamment de tout codage de texte
    déclaration que l'on trouve dans ce flux. Si
    il n'y a pas de flux de caractères, mais
    il y a un flux d'octets, l'analyseur
    utilisera que les flux d'octets, à l'aide de la
    encodage spécifié dans la InputSource
    ou d'autre (si l'encodage n'est pas spécifié)
    auto-détection de l'encodage des caractères
    à l'aide d'un algorithme tel que celui de
    la spécification XML. Si ni un
    flux de caractères, ni un flux d'octets est
    disponible, l'analyseur va tenter de
    ouvrir un URI de connexion à la ressource
    identifié par l'identifiant du système.

    Donc, fondamentalement, vous avez besoin pour passer un flux de caractères à l'analyseur pour qu'il pick-up de l'encodage correct. Consultez la solution ci-dessous:

    SAXParserFactory factory = SAXParserFactory.newInstance();
SAXParser parser = factory.newSAXParser();
FeedHandler handler = new FeedHandler();
Reader isr = new InputStreamReader(getInputStream());
InputSource is = new InputSource();
is.setCharacterStream(isr);
parser.parse(is, handler);
    • La construction d'un InputStreamReader sans spécifier un jeu de caractères va utiliser le jeu de caractères par défaut de votre machine, ce qui est probablement la norme iso-8859-1. Comme vous l'avez cité, l'encodage decl dans le xml sera ignorée lors de l'utilisation d'un characterstream si ce code ne fonctionne qu'avec de l'iso-8859-1 documents. Vous code original devait effectivement avoir travaillé, vous pourriez peut-être ajouter de l'exception ou de la problématique exacte que vous voyez à votre question. Lors de l'utilisation d'un flux d'octets et de ne pas définir l'encodage sur le InputSource l'analyseur xml devrait détecter automatiquement le codage tel que décrit dans la w3.org/TR/REC-xml/#sec-guessing.
    • Fondamentalement, je reçois une défaillance de jeton d'exception si je n'utilise pas "est.setCharacterStream()".
    • Vous devez accepter votre propre réponse. Lire la faq.
    • Très belle explication. Il m'a aidé aussi. merci Allan.
    • Cela peut avoir travaillé pour vous, mais Jörn est droit. La documentation que vous avez référencé est pertinente et correcte. Et il vous dit que le code d'origine avec InputStream était correcte. Le bug est dans le document lui-même. Si vous utilisez une solution de contournement comme primordial l'encodage ou auto-détection d'une autre manière que le XML spécification, comme vous le faites avec InputStreamReader, vous devriez document qui fait.
    InformationsquelleAutor Allan