2

我有几个要处理的 xml 文件。示例文件如下

  <DOC>
  <DOCNO>2431.eng</DOCNO>
  <TITLE>The Hot Springs of Baños del Inca near Cajamarca</TITLE>
  <DESCRIPTION>view of several pools with steaming water; people, houses and 
   trees behind it, and a mountain range in the distant background;</DESCRIPTION>
   <NOTES>Until 1532 the place was called Pulltumarca, before it was renamed to
   "Baños  del Inca" (baths of the Inka) with the arrival of the Spaniards . 
   Today, Baños del Inca is the most-visited therapeutic bath of Peru.</NOTES>
   <LOCATION>Cajamarca, Peru</LOCATION>
   </DOC>

使用 xmlread() matlab 函数时，出现以下错误。

    [Fatal Error] 2431.eng:3:29: Invalid byte 2 of 4-byte UTF-8 sequence.
    ??? Java exception occurred:
    org.xml.sax.SAXParseException: Invalid byte 2 of 4-byte UTF-8 sequence.
    at org.apache.xerces.parsers.DOMParser.parse(Unknown Source)
    at org.apache.xerces.jaxp.DocumentBuilderImpl.parse(Unknown Source)
    at javax.xml.parsers.DocumentBuilder.parse(Unknown Source)

    Error in ==> xmlread at 98
    parseResult = p.parse(fileName);

有关如何解决此问题的任何建议？

4

1 回答 1

2

您发布的示例效果很好。

正如错误消息所说，我认为您的实际文件编码不正确。请记住，并非所有可能的字节序列都是有效的 UTF-8 序列：http ://en.wikipedia.org/wiki/UTF-8#Invalid_byte_sequences

一种快速检查方法是在 Firefox 中打开文件。如果 XML 文件存在编码问题，您将看到如下错误消息：

XML 解析错误：格式不正确

编辑：

所以我看了一下文件：您的问题是 XML 解析器将没有<?xml ... ?>声明行的文件视为 UTF-8，但您的文件看起来被编码为ISO-8859-1（拉丁 1）或Windows-1252（CP- 1252) 代替。

例如，SAX 解析器被以下标记阻塞：Baños. 这个字符“n letter with tilde”，即U+00F1，在两种编码中有不同的表示：

  • 在 ISO-8859-1 中，它表示为一个字节：0xF1
  • 在 UTF-8 中，它表示为两个字节：0xC3 0xB1

虽然UTF-8旨在向后兼容ASCII，但字符ñ属于扩展的 ASCII 范围，在 UTF-8 中都表示为两个或多个字节。

因此，当ño存储在 Latin-1 as 中的子字符串11110001 01101111被解释为 UTF-8 编码时，解析器会看到第一个字节并将其识别为 4 字节 UTF-8 形式的序列的开头11110xxx 10xxxxxx 10xxxxxx 10xxxxxx。但由于它显然不遵循该格式，因此会引发错误：

org.xml.sax.SAXParseException：4 字节 UTF-8 序列的字节 2 无效。

底线是：始终使用 XML 声明！在您的情况下，在所有文件的开头添加以下行：

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

或者更好的是，修改生成这些文件的程序以编写上述行。

在此更改之后，MATLAB（或真正的 Java）应该能够正确读取 XML 文件：

>> doc = xmlread('2431.eng');
>> doc.saveXML([])
ans =
<?xml version="1.0" encoding="UTF-16"?>
<DOC>
<DOCNO>annotations/02/2431.eng</DOCNO>
<TITLE>The Hot Springs of Baños del Inca near Cajamarca</TITLE>
<DESCRIPTION>view of several pools with steaming water; people, houses and trees behind it, and a mountain range in the distant background;</DESCRIPTION>
<NOTES>Until 1532 the place was called Pulltumarca, before it was renamed to "Baños del Inca" (baths of the Inka) with the arrival of the Spaniards . Today, Baños del Inca is the most-visited therapeutic bath of Peru.</NOTES>
<LOCATION>Cajamarca, Peru</LOCATION>
<DATE>October 2002</DATE>
<IMAGE>images/02/2431.jpg</IMAGE>
<THUMBNAIL>thumbnails/02/2431.jpg</THUMBNAIL>
</DOC>

（注意：显然，一旦 MATLAB 读取文件，它会在内部将其重新编码为 UTF-16）

于 2013-08-26T20:51:58.303 回答