Convertir un document XML de Latin1 en UTF8 en utilisant Java

Question

Je suis en train de créer un document XML (flux RSS) et j'ai résolu tous les problèmes, à l'exception d'un problème de codage de caractères. Le problème est que j'utilise un codage UTF-8 comme si <?xml version="1.0" encoding="UTF-8"?> sauf que le document lui-même n'est pas codé en UTF-8. J'utilise le package org.apache.ecs.xml pour créer toutes les balises. J'utilise ensuite doc.output(stream) pour écrire le contenu. Cette méthode ne semble pas écrire de sortie en utilisant UTF-8 et je ne sais pas comment y arriver. Jusqu'à ce que je le fais, certains symboles (la livre britannique est ce que j'ai remarqué pour la première fois) ne sont pas rendus correctement dans la plupart des lecteurs.

--Updated avec plus information--

Je fini par utiliser une mauvaise solution (dans les commentaires comme expliqué) pour résoudre ce problème. La bonne réponse semble ne pas utiliser la bibliothèque org.apache.ecs.xml. Merci à tous pour votre aide. StackOverflow gagne à nouveau.

Answer 1

Voici une solution trouvée par mon collègue que JE PENSE est la bonne façon de le faire mais qu'est-ce que je sais. Au lieu d'utiliser doc.output(stream) nous avons utilisé:

 try { 
      IOUtils.write(doc.toString(), stream, "UTF-8"); 
     } catch (IOException e) { 
      throw new RuntimeException(e); 
     } 

Pour être honnête, je ne comprends pas encore complètement le problème, ce qui est la raison pour laquelle je rencontre des problèmes en premier lieu. Il semble que la solution de @ subamed a traversé et converti tout caractère que UTF-8 ne pouvait pas représenter et l'a remplacé par l'entité Unicode. Cette solution semble écrire dans le flux en utilisant le codage UTF-8 comme je le voulais initialement. Je ne connais pas la différence exacte, juste que les deux ont résolu mes problèmes. Tout autre commentaire pour m'aider à comprendre le problème serait apprécié.

Answer 2

Je ne suis pas au courant de ce paquet, mais de la source sur le web je soupçonne qu'il peut être rompu:

http://kickjava.com/src/org/apache/ecs/xml/XMLDocument.java.htm

contient des trucs comme

 for (int i=0; i<prolog.size(); i++) { 
268    ConcreteElement e = (ConcreteElement)prolog.elementAt(i); 
269    e.output(out); 
270    // XXX really this should use line separator! 
271 // XXX should also probably check for pretty print 
272 // XXX also probably have difficulties with encoding 

ce qui suggère des problèmes.

Nous utilisons XOM (http://www.xom.nu) et qui a spécifiquement un setEncoding() sur son sérialiseur je vous conseille donc de changer les paquets ...

Answer 3

Voici une fonction que j'ai écrit pour convertir tous les caractères non-ASCII correspondant à leur entité. Cela pourrait vous aider à désinfecter du contenu PCDATA avant la sortie.

/** 
* Creates xml entities for non ascii characters in the given String. 
*/ 
public static String xmlEntitify(String in){ 

    StringBuffer b = new StringBuffer(); 

    for (int i=0;i<in.length();i++){ 

     Character c = in.charAt(i); 
     if (c<128){ 
      b.append(c); 
     } 
     else if (c=='\ufeff'){ 
      // BOM character, just remove it 
     } 
     else { 
      String cstr = Integer.toHexString(c).toUpperCase(); 
      while(cstr.length()<4){ 
       cstr="0"+cstr; 
      } 
      b.append("&#x"); 
      b.append(cstr); 
      b.append(";"); 
     } 
    } 
    return b.toString(); 
} 

Lire votre flux d'entrée dans un String content et écrire dans le flux de sortie xmlEntitify(content).

Votre sortie est garanti pour contenir uniquement des caractères ASCII, plus de problème d'encodage.

MISE À JOUR

Compte tenu des commentaires, je serai encore plus audacieux: si vous n'êtes pas désinfectante vos données, vous appelez des ennuis. Je suppose que vous remplacez au moins déjà les caractères < et & dans votre PCDATA. Si non, vous devriez certainement. J'ai une autre version de la méthode ci-dessus qui, au lieu de la première if, a:

if (c<128 && c!='&' && c!='<' && c!='>' && c!='"'){ 
    b.append(c); 
} 

pour que ces caractères sont également convertis en leur entité Unicode correspondant. Cela convertit tous mes PCDATA en chaînes ASCII uniquement compatibles Unicode. Je n'avais plus de problème d'encodage depuis que j'utilise cette technique. Je ne produis jamais de PCDATA XML qui n'a pas été passé par cette méthode: ce n'est pas balayer l'éléphant sous le tapis. C'est juste se débarrasser du problème en étant aussi générique que possible.

Answer 4

La solution la plus simple va probablement être changer votre code comme suit:

XMLDocument doc = new XMLDocument(1.0,false,Charset.defaultCharset().toString()); 

Je devine qu'ils sont juste en utilisant l'encodage par défaut pour écrire des caractères dans le flux. Passez donc l'encodage par défaut au prologue et ça devrait aller. Je suis d'accord avec d'autres affiches que c'est probablement le moindre de vos soucis. En regardant le source repository pour ECS, il ne semble pas avoir été mis à jour depuis quatre ans (le référentiel "ECS2" de même).

Et une certaine autopromotion: si vous cherchez à construire des documents XML en utilisant une interface simple, la bibliothèque Practical XML a un constructeur. Il utilise le mécanisme de sérialisation JDK standard pour la sortie.

Answer 5

Toute chance que vous pouvez écrire à un écrivain plutôt qu'à un OutputStream ... de cette façon vous pouvez spécifier le codage.