问题描述
我正在尝试解析和编辑以UTF-8编码的XML文件，但是某些字符将以其HTML数字代码的形式返回，而不是字符本身。
为了解决这个问题，我设置了一个DOM解析器，使它基本上无需编辑即可复制XML。 我专门使用日语汉字/中文字符，但是某些字符已被解析并作为其HTML代码返回。 我尝试在输入流，转换器和输出流上将编码指定为UTF-8，但结果是相同的。 我从摘录了此特定代码。
String filePath = "file path";
File xmlFile = new File(filePath);
DocumentBuilderFactory dbFactory = DocumentBuilderFactory.newInstance();
DocumentBuilder dBuilder;
try {
dBuilder = dbFactory.newDocumentBuilder();
Document doc = dBuilder.parse(xmlFile);
doc.getDocumentElement().normalize();
TransformerFactory transformerFactory = TransformerFactory.newInstance();
Transformer transformer = transformerFactory.newTransformer();
DOMSource source = new DOMSource(doc);
StreamResult result = new StreamResult(new File("updated.xml"));
transformer.setOutputProperty(OutputKeys.INDENT, "yes");
transformer.setOutputProperty(OutputKeys.ENCODING, "UTF-8");
transformer.transform(source, result);
System.out.println("XML file updated successfully");
} catch (SAXException | ParserConfigurationException | IOException | TransformerException e1)
{
e1.printStackTrace();
}
}
这是XML解析之前的样子，返回后应该看起来一样：
<?xml version="1.0" encoding="UTF-8" standalone="no"?>
<!-- Entry for Kanji: ? -->
<character>
<literal>?</literal>
</character>
这是什么返回：
<?xml version="1.0" encoding="UTF-8" standalone="no"?>
<!-- Entry for Kanji: ? -->
<character>
<literal>𠮟</literal>
</character>
1楼
似乎核心问题是Transformer.transform()仅支持基本多语言平面（BMP）中字符的“干净”转换，尽管故事的内容可能还不止这些。
我从您的链接中克隆了代码，并根据包含几个CJK字符的示例创建了一个输入XML文件：
<?xml version="1.0" encoding="UTF-8" standalone="no"?>
<character>
<!-- Basic Multilingual Plane -->
<!-- CJK Unified Ideographs Extension A -->
<literal>U+3400 ?</literal>
<literal>U+4DB5 ?</literal>
<!-- CJK Unified Ideographs Extension -->
<literal>U+53F1 叱</literal>
<!-- Supplementary Ideographic Plane -->
<!-- CJK Unified Ideographs Extension B -->
<literal>U+20000 ?</literal>
<literal>U+20B9F ?</literal>
<literal>U+2A6D6 ?</literal>
<!-- CJK Unified Ideographs Extension C ? -->
<literal>U+2A700 ?</literal>
<literal>U+2B734 ?</literal>
<!-- CJK Unified Ideographs Extension D -->
<literal>U+2B740 ?</literal>
<literal>U+2B81D ?</literal>
</character>
当我运行该应用程序（使用JDK 11）时，BMP中的三个CJK字符已正确转换，但补充表意文字（SIP）中的所有CJK字符均转换为HTML转义码。 这是创建的XML文件：
<?xml version="1.0" encoding="UTF-8" standalone="no"?>
<character>
<!-- Basic Multilingual Plane -->
<!-- CJK Unified Ideographs Extension A -->
<literal>U+3400 ?</literal>
<literal>U+4DB5 ?</literal>
<!-- CJK Unified Ideographs Extension -->
<literal>U+53F1 叱</literal>
<!-- Supplementary Ideographic Plane -->
<!-- CJK Unified Ideographs Extension B -->
<literal>U+20000 𠀀</literal>
<literal>U+20B9F 𠮟</literal>
<literal>U+2A6D6 𪛖</literal>
<!-- CJK Unified Ideographs Extension C ? -->
<literal>U+2A700 𪜀</literal>
<literal>U+2B734 𫜴</literal>
<!-- CJK Unified Ideographs Extension D -->
<literal>U+2B740 𫝀</literal>
<literal>U+2B81D 𫠝</literal>
</character>
当我在调试器中运行代码时，JRE似乎将Xalan用于其Transformer.transform() 。
有一个非常古老的SO post 它将这不是问题的重复，而是相关的。
海报甚至针对在2012年仍不开放的问题提出了Xalan错误报告！
您在注释中提到的字符? （U + 20B9F）在SIP中，这大概就是为什么将其转换为转义码的原因，而非常相似的字符叱 （U + 53F1）在BMP中并且正确地进行了转换。
我不知道为什么存在此问题，但是有几种可能的原因：
-
Xalan的
Transformer.transform()仅支持BMP中的字符。 -
Xalan的
Transformer.transform()实现不支持四字节Unicode字符的转换。 - Xalan尚未更新为支持最新的CJK统一表意文字扩展中指定的CJK字符。
-
做出了以这种方式转换SIP字符的蓄意设计决定。
这似乎不太可能，除了：
- HTML转义码始终正确
- SIP字符在注释中正确转换。