dom4j处理中文之编码问题 Invalid byte 2 of 2-byte UTF-8 sequence. Nested exception: Invalid byte 2 of 2-byte U

 

dom4j处理中文之编码问题 Invalid byte 2 of 2-byte UTF-8 sequence. Nested exception: Invalid byte 2 of 2-byte UTF-8 sequence.  

2010-07-06 09:38:20|  分类：

java |  标签：
|字号大中小 订阅

问题描述

 

在使用dom4j的时候发现有时会出现这样一个问题：无法以UTF-8编码格式成功保存xml文件，具体表现为保存后中文呈现乱码（如果没有乱码，说明保存前的编码没有设置成功，保存成了本地的gbk或者gb2312格式）再次读取的时候会报类似如下的错误：
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.

在dom4j的范例中新建一个xml文档的代码如下：
//
输出XML文档
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());

}

错误原因分析

在上面的代码中输出使用的是FileWriter对象进行文件的输出。这就是不能正确进行文件编码的原因所在，Java中由Writer类继承下来的子类没有提供编码格式处理，所以dom4j也就无法对输出的文件进行正确的格式处理。这时候所保存的文件会以系统的默认编码对文件进行保存，在中文版的window下Java的默认的编码为GBK，也就是说虽然我们标识了要将xml保存为utf-8格式，但实际上文件是以GBK格式来保存的，所以这也就是
4000
为什么我们使用GBK、GB2312编码来生成xml文件能正确的被解析，而以UTF-8格式生成的文件不能被xml解析器所解析的原因。

如何解决问题？
首先我们看看dom4j是如何实现编码处理的，如下所示：
public
XMLWriter(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);
}
public
XMLWriter(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);
}

/**
*
Get
an
OutputStreamWriter,
use
preferred
encoding.
*/
protected Writer createWriter(OutputStream outStream, String

   
encoding) throws UnsupportedEncodingException {
   
return
new BufferedWriter(
       
new OutputStreamWriter( outStream, encoding )
   
);
}
由上面的代码我们可以看出dom4j对编码并没有进行什么很复杂的处理，完全通过 Java本身的功能来完成。所以我们在使用dom4j生成xml文件时不应该直接在构建XMLWriter时，为其赋一个Writer对象，而应该通过一个OutputStream的子类对象来构建。也就是说在我们上面的代码中，不应该用FileWriter对象来构建xml文档，而应该使用
FileOutputStream对象来构建，修改后的代码如下:
//
输出XML文档
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());

}
如何读取呢？
public List extractXMLText(File inputXml, String node)
{

   
List texts = null;
   
try
   
{
      
// 使用SAXReader解析XML文档,SAXReader包含在org.dom4j.io包中。
      
// inputXml是由xml文件创建的java.io.File。
      
SAXReader saxReader = new SAXReader();
      
saxReader.setEncoding("UTF-8");
      
Document document = saxReader.read(inputXml);
          

      
texts = document.selectNodes(node); //
获取sentence列表
   
}
catch (DocumentException e)
  {
      
System.out.println(e.getMessage());
  }
  return texts;
}