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;
}