告訴SAX解析器忽略無效字符？

SAX不斷死在以下異常：告訴SAX解析器忽略無效字符？

Invalid byte 2 of 3-byte UTF-8 sequence

的問題是它的主要是正確的UTF-8編碼的，但也有它的幾個錯誤。我們無法獲得該文件的新版本，我們必須使用此文件。

那麼，我們如何告訴SAX忽略無效字符序列，或者清理UTF-8文件以使它沒有無效的UTF-8序列？

來源

2009-10-19 corydoras

我建議您將文件清理爲完全將其解析爲XML的單獨步驟。

UTF-8是一個相當容易理解的編碼; this web page顯示UTF-8是如何形成的。我建議你寫一個程序讀入你的輸入文件並寫出一個新文件。它將逐字節地讀取，只有當它看到它已經被有效地形成時才寫出一個字符。當它看到一個無效字節時，它會寫出字符串「UTF8ERROR」或其他一些在輸入數據中不會自然發現的容易找到的標記。它會跳過角色的其餘部分。

之後，您可以檢查發生錯誤的位置並修正數據...然後將其解析爲正常。

通過這種方式，您將看到錯誤有多廣泛，查看是否存在任何模式，並有可能糾正錯誤。如果您要從同一來源獲得更多數據，我強烈建議您告訴他們這個問題......這可能表明一個更嚴重的問題。

來源

2009-10-19 06:06:43

所以基本上你確認了我希望不需要做的事情，我們必須編寫我們自己的UTF-8消毒劑 – corydoras 2009-10-19 06:36:36

恐怕是這樣，網上可能有類似的東西，但我沒有知道的任何 – 2009-10-19 06:41:30

尋找其他人與您的確切問題表明，你可能有你的編碼指定錯誤。如果是這樣的話，它可能是一個快速解決方法。請點擊這裏：http://www.openrdf.org/doc /sesame/users/ch09.html#d0e3707 – Gunslinger47 2009-10-19 06:51:11

您可以在SAX讀取它之前過濾該流。創建一個InputStream，它讀取您的流並丟棄無效字符。

來源

2009-10-19 06:02:41

我想它有一些人這樣說，但這是一種說明明顯的。（： – corydoras 2009-10-19 06:34:51

SAX（和其他XML工具）被設計用於格式良好的XML（或者當需要時有效）。當輸入不正確時，他們故意拋出錯誤或異常，包括未能符合編碼。正如其他答案所建議的，你必須使用一個單獨的步驟來清理輸入。（類似的，SAX會拋出HTML不正確的XML錯誤，比如缺少結束標籤）。

來源

2009-10-19 06:10:38

我想這不會幫助你多少，但也許其他人想知道：

檢索，將其與ISO-8859-1頭提供的UTF-8 XML文件時，我最近買了同樣的異常。解決的辦法是通過String.getBytes（字符集）手動指定UTF-8：

public Document parseRequest(HttpServletRequest request) { 
    DocumentBuilderFactory builder = DocumentBuilderFactory.newInstance(); 

    DataInputStream dataStream = new DataInputStream(request.getInputStream()); 
    String xml = dataStream.readUTF(); 
    ByteArrayInputStream byteStream = new ByteArrayInputStream(xml.getBytes("UTF-8")); 
    return builder.newDocumentBuilder().parse(byteStream); 
}

編輯：..或者更簡單：

public Document parseRequest(HttpServletRequest request) { 
    DocumentBuilderFactory domFactory = DocumentBuilderFactory.newInstance(); 

    Reader reader = new InputStreamReader(request.getInputStream(), "UTF-8"); 
    InputSource source = new InputSource(reader); 
    return domFactory.newDocumentBuilder().parse(source); 
}

來源

2009-11-04 14:36:48 neu242

確實對某些人有用的信息，但你是正確的，這並不能解決混合編碼存儲到單個文件中的問題。 – corydoras 2009-11-05 22:59:24

你能使用java.nio.charset中。 CharsetDecoder與InputStreamReader（InputStream in，CharsetDecoder dec）一起嗎？

如何解碼錯誤被處理取決於針對請求類型的錯誤，這是由 CodingErrorAction類的實例描述的動作。可能的誤差動作是忽略錯誤輸入，經由返回的CoderResult對象的錯誤報告給調用者，或具有替換字符串的當前值更換錯誤輸入。替換的初始值爲「\ uFFFD」;其值可能會通過 replaceWith方法更改。

（從CharsetDecoder的javadoc）

來源

2009-11-06 08:31:37 neu242

有趣的想法，我不確定。 – corydoras 2009-11-08 21:32:42

告訴SAX解析器忽略無效字符？

回答

相關問題