xml讀取異常Invalid byte 1 of 1-byte UTF-8 sequence

http://blog.csdn.net/chenyanbo/article/details/6866941

xml讀取異常Invalid byte 1 of 1-byte UTF-8 sequence

說簡單點當你解析别人的xml格式出現這個錯誤可能就是别人在生成xml時沒有儲存為utf-8的字元編碼格式。

在中文版的window下java的預設的編碼為GBK，也就是所雖然我們辨別了要将xml儲存為utf-8格式但實際上檔案是以GBK格式來儲存的，是以這也就是為什麼能夠我們使用GBK、GB2312編碼來生成xml檔案能正确的被解析，而以UTF-8格式生成的檔案不能被xml解析器所解析的原因。

解決：

1、最簡單就是把<?xml version="1.0" encoding="UTF-8"?>改成<?xml version="1.0" encoding="gbk"?>

2、或者把xml打開另存的時候把字元集改為UTF-8後儲存

3、在代碼解析的時候先把xml重新寫一遍

4、直接dom4j讀取的時候用io來讀，修改字元編碼

------------------------------------------------------------------------------------------------------------------------------

om4j進行中文之編碼問題

轉自：http://zhonghuaweixu.blog.163.com/blog/static/11793205920106693820542/

問題描述

在使用dom4j的時候發現有時會出現這樣一個問題：無法以UTF-8編碼格式成功儲存xml檔案，具體表現為儲存後中文呈現亂碼（如果沒有亂碼，說明儲存前的編碼沒有設定成功，儲存成了本地的gbk或者gb2312格式）再次讀取的時候會報類似如下的錯誤：

Invalid byte 2 of 2-byte UTF-8 sequence. Nested exception: Invalid byte 2 of 2-byte UTF-8 sequence.

Invalid byte 1 of 1-byte UTF-8 sequence. Nested exception: Invalid byte 1 of 1-byte UTF-8 sequence.

Invalid byte 2 of 2-byte UTF-8 sequence. Nested exception: Invalid byte 2 of 2-byte UTF-8 sequence.

Invalid byte 2 of 2-byte UTF-8 sequence. Nested exception: Invalid byte 2 of 2-byte UTF-8 sequence.

Invalid byte 1 of 1-byte UTF-8 sequence. Nested exception: Invalid byte 1 of 1-byte UTF-8 sequence.

2 位元組 UTF-8 序列的無效位元組 2。 Nested exception: 2 位元組 UTF-8 序列的無效字

在dom4j的範例中建立一個xml文檔的代碼如下：

// 輸出XML文檔

try

{

    XMLWriter output = new XMLWriter(new FileWriter(new File("data/catalog.xml")));

    output.write(document);

    output.close();

}

catch (IOException e)

{

    System.out.println(e.getMessage());

}

錯誤原因分析

在上面的代碼中輸出使用的是FileWriter對象進行檔案的輸出。這就是不能正确進行檔案編碼的原因所在，Java中由Writer類繼承下來的子類沒有提供編碼格式處理，是以dom4j也就無法對輸出的檔案進行正确的格式處理。這時候所儲存的檔案會以系統的預設編碼對檔案進行儲存，在中文版的window下Java的預設的編碼為GBK，也就是說雖然我們辨別了要将xml儲存為utf-8格式，但實際上檔案是以GBK格式來儲存的，是以這也就是為什麼我們使用GBK、GB2312編碼來生成xml檔案能正确的被解析，而以UTF-8格式生成的檔案不能被xml解析器所解析的原因。

如何解決問題？

首先我們看看dom4j是如何實作編碼處理的，如下所示：

publicXMLWriter(OutputStream out) throws UnsupportedEncodingException {

    //System.out.println("In OutputStream");

    this.format = DEFAULT_FORMAT;

    this.writer = createWriter(out, format.getEncoding());

    this.autoFlush = true;

   namespaceStack.push(Namespace.NO_NAMESPACE);

}

publicXMLWriter(OutputStream out, OutputFormat format) throws UnsupportedEncodingException {

    //System.out.println("In OutputStream,OutputFormat");

    this.format = format;

    this.writer = createWriter(out, format.getEncoding());

    this.autoFlush = true;

   namespaceStack.push(Namespace.NO_NAMESPACE);

}

protected Writer createWriter(OutputStream outStream, String

    encoding) throws UnsupportedEncodingException {

    returnnew BufferedWriter(

        new OutputStreamWriter( outStream, encoding )

    );

}

由上面的代碼我們可以看出dom4j對編碼并沒有進行什麼很複雜的處理，完全通過 Java本身的功能來完成。是以我們在使用dom4j生成xml檔案時不應該直接在建構XMLWriter時，為其賦一個Writer對象，而應該通過一個OutputStream的子類對象來建構。也就是說在我們上面的代碼中，不應該用FileWriter對象來建構xml文檔，而應該使用FileOutputStream對象來建構，修改後的代碼如下:

// 輸出XML文檔

try

{

    OutputFormat outFmt = new OutputFormat("\t", true);

    outFmt.setEncoding("UTF-8");

    XMLWriter output = new XMLWriter(new FileOutputStream(filename), outFmt);  

    output.write(document);

    output.close();

}

catch (IOException e)

{

    System.out.println(e.getMessage());

}

如何讀取呢？

public List extractXMLText(File inputXml, String node)

{

    List texts = null;

    try

    {

       // 使用SAXReader解析XML文檔,SAXReader包含在org.dom4j.io包中。

       // inputXml是由xml檔案建立的java.io.File。

       SAXReader saxReader = new SAXReader();

       saxReader.setEncoding("UTF-8");

       Document document = saxReader.read(inputXml);

       texts = document.selectNodes(node); // 擷取sentence清單

    }

catch (DocumentException e)

  {

       System.out.println(e.getMessage());

  }

  return texts;

}