java - 使用 dom4j 读取时转换文档编码

Question

有什么方法可以将 dom4j 的 SAXReader 解析的文档从 ISO-8859-2 编码转换为 UTF-8？我需要在解析时发生这种情况，以便 dom4j 创建的对象已经是 Unicode/UTF-8 并且正在运行代码，例如：

"some text".equals(node.getText());

返回真。

Answer 1

这是由 dom4j 自动完成的。Java 中的所有String实例都采用通用的解码形式；一旦String创建了 a ，就不可能知道原始字符编码是什么（或者即使字符串是从编码字节创建的）。

只需确保 XML 文档具有指定的字符编码（除非它是 UTF-8，否则这是必需的）。

Answer 2

解码发生在（或之前）InputSource（之前SAXReader）。从那个类的javadocs：

SAX 解析器将使用 InputSource 对象来确定如何读取 XML 输入。如果有可用的字符流，解析器将直接读取该流，而忽略在该流中找到的任何文本编码声明。如果没有字符流，但有字节流，解析器将使用该字节流，使用 InputSource 中指定的编码，否则（如果未指定编码）使用算法自动检测字符编码，例如XML 规范。如果既没有字符流也没有字节流可用，解析器将尝试打开到由系统标识符标识的资源的 URI 连接。

因此，这取决于您如何创建InputSource. 为了保证正确解码，您可以使用以下内容：

InputStream stream = <input source>
Charset charset = Charset.forName("ISO-8859-2");
Reader reader = new BufferedReader(new InputStreamReader(stream, charset));
InputSource source = new InputSource(reader);