saxparser - saxparser 忽略字节顺序标记

Question

我们的 saxparser 不会忽略出现在文件开头的字节顺序标记。

如何让我的 sax 解析器忽略字节顺序标记？

Answer 1

在十六进制编辑器中检查文件。

如果文档本身确实跟在初始字节\xEF\xBB\xBF后面，那么它就是一个 UTF-8 仿 BOM。尽管 UTF-8 人造 BOM 是一种严重的错误，并且生成它们的工具需要用特殊的编程酸来销毁，但 XML 规范确实要求解析器识别并忽略这个字节序列，所以如果你的 SAX 解析器不符合要求并且需要一些踢。

如果给您的初始字节实际上类似于以下之一：

\xC3\xAF\xC2\xBB\xC2\xBF 
\xEF\xBB\xBF\xC3\xAF\xC2\xBB\xC2\xBF 
\xEF\x00\xBB\x00\xBF\x00
\xFF\xFE\xEF\x00\xBB\x00\xBF\x00

那么你得到的是一个意外的双重编码。在这种情况下，您需要查看生成文件的程序，因为它的格式不正确，SAX 解析器可以正确地抱怨，并且文件中的其他 Unicode 字符也可能会被弄乱。可能它正在做一些愚蠢的事情，比如将文档序列化为字节字符串，然后通过虚假的解码/编码循环发送它。

无论哪种方式，如果您需要让解析器跳过麻烦的字节序列，则必须为其提供您手动破解的版本以删除此前缀。在不知道您的 SAX 解析器是什么（甚至是什么语言）的情况下，很难说出如何做到这一点。

也许您可以在将输入流传递给解析器之前寻找它？也许您可以将文件读入一个字节字符串并将其传递给解析器，去掉初始字节？如果您的解析器没有为您提供这些选项，您将不得不将文件作为字节加载，剪辑开头并将其再次保存到新文件中。

Answer 2

看起来您可能正在向不期望 utf-16 的 saxparser 提供 utf-16 输入。尝试将数据转换为 utf-8，它可能会有所帮助。